from IPython.display import Image
Valores missing, outlier y correlaciones¶
Elaborado por: Jazmín Fernández Ramírez, Jacqueline Fernández Ramírez, Nina Odoux. Máster Universitario de Ciencia de Datos (MUCD) - CUNEF Universidad.
En este notebook se realiza el estudio y preprocesamiento de las variables numéricas y categoricas. Se realizarán los siguientes pasos:
- Cambio de tipos de variables.
- Separación en train y test.
- Análisis de cada variable con gráficos descriptivos.
- Para variables numéricas: matriz de correlación, estudio de outliers y estudio de valores missing.
- Para variables categóricas: relleno de valores missing, y estudio de correlaciones con vCramer.
Para los valores outlier por columnas, se tendrá en cuenta los gráficos:
# <img src="../images/analisis_outlier.png">
Image(filename="../images/analisis_outlier.png")
Dentro del tratamiento de los valores missing, se elegirá alguno de los siguientes métodos:
Image(filename="../images/missing.png")
Importación de liberías¶
import pandas as pd
import numpy as np
import seaborn as sns
from matplotlib import pyplot as plt
import plotly.express as px
import time
import gc
import psutil
from sklearn.impute import KNNImputer
import scipy.stats as ss
import warnings
from sklearn.model_selection import train_test_split
from scipy.stats import chi2_contingency
pd.set_option('display.max_columns', 500)
pd.set_option('display.max_rows', 5000)
seed = np.random.seed(123)
Funciones¶
En este trabajo se va a importar las funciones definidas en el archivo funciones_auxiliares.py mediante el prefijo f_aux. Por ejemplo, para llamar a la función plot_feature, se debe usar la sintaxis f_aux.plot_feature(...).
import os
print(os.getcwd())
C:\Users\ninao\Desktop\MachineLearning\MachineLearning\notebooks
import sys
sys.path.append("../src")
import funciones_auxiliares as f_aux
Lectura de datos del preprocesado inicial¶
Lectura de los datos y cambio de tipos de variables
df_application = pd.read_csv("../data/preprocessed_data/bank_data_preprocessed.csv")
df_application.shape
(307511, 122)
df_application.columns
Index(['COMMONAREA_MEDI', 'COMMONAREA_AVG', 'COMMONAREA_MODE',
'NONLIVINGAPARTMENTS_MODE', 'NONLIVINGAPARTMENTS_AVG',
'NONLIVINGAPARTMENTS_MEDI', 'FONDKAPREMONT_MODE',
'LIVINGAPARTMENTS_MODE', 'LIVINGAPARTMENTS_AVG',
'LIVINGAPARTMENTS_MEDI',
...
'DAYS_ID_PUBLISH', 'DAYS_REGISTRATION', 'DAYS_EMPLOYED', 'DAYS_BIRTH',
'REGION_POPULATION_RELATIVE', 'NAME_HOUSING_TYPE', 'NAME_FAMILY_STATUS',
'NAME_EDUCATION_TYPE', 'NAME_INCOME_TYPE', 'SK_ID_CURR'],
dtype='object', length=122)
list_var_cat, other = f_aux.dame_variables_categoricas(dataset=df_application)
df_application[list_var_cat] = df_application[list_var_cat].astype("category")
list_var_continuous = list(df_application.select_dtypes('float').columns)
df_application[list_var_continuous] = df_application[list_var_continuous].astype(float)
df_application.dtypes
COMMONAREA_MEDI float64 COMMONAREA_AVG float64 COMMONAREA_MODE float64 NONLIVINGAPARTMENTS_MODE float64 NONLIVINGAPARTMENTS_AVG float64 NONLIVINGAPARTMENTS_MEDI float64 FONDKAPREMONT_MODE category LIVINGAPARTMENTS_MODE float64 LIVINGAPARTMENTS_AVG float64 LIVINGAPARTMENTS_MEDI float64 FLOORSMIN_AVG float64 FLOORSMIN_MODE float64 FLOORSMIN_MEDI float64 YEARS_BUILD_MEDI float64 YEARS_BUILD_MODE float64 YEARS_BUILD_AVG float64 OWN_CAR_AGE float64 LANDAREA_MEDI float64 LANDAREA_MODE float64 LANDAREA_AVG float64 BASEMENTAREA_MEDI float64 BASEMENTAREA_AVG float64 BASEMENTAREA_MODE float64 EXT_SOURCE_1 float64 NONLIVINGAREA_MODE float64 NONLIVINGAREA_AVG float64 NONLIVINGAREA_MEDI float64 ELEVATORS_MEDI float64 ELEVATORS_AVG float64 ELEVATORS_MODE float64 WALLSMATERIAL_MODE category APARTMENTS_MEDI float64 APARTMENTS_AVG float64 APARTMENTS_MODE float64 ENTRANCES_MEDI float64 ENTRANCES_AVG float64 ENTRANCES_MODE float64 LIVINGAREA_AVG float64 LIVINGAREA_MODE float64 LIVINGAREA_MEDI float64 HOUSETYPE_MODE category FLOORSMAX_MODE float64 FLOORSMAX_MEDI float64 FLOORSMAX_AVG float64 YEARS_BEGINEXPLUATATION_MODE float64 YEARS_BEGINEXPLUATATION_MEDI float64 YEARS_BEGINEXPLUATATION_AVG float64 TOTALAREA_MODE float64 EMERGENCYSTATE_MODE category OCCUPATION_TYPE category EXT_SOURCE_3 float64 AMT_REQ_CREDIT_BUREAU_HOUR float64 AMT_REQ_CREDIT_BUREAU_DAY float64 AMT_REQ_CREDIT_BUREAU_WEEK float64 AMT_REQ_CREDIT_BUREAU_MON float64 AMT_REQ_CREDIT_BUREAU_QRT float64 AMT_REQ_CREDIT_BUREAU_YEAR float64 NAME_TYPE_SUITE category OBS_30_CNT_SOCIAL_CIRCLE float64 DEF_30_CNT_SOCIAL_CIRCLE float64 OBS_60_CNT_SOCIAL_CIRCLE float64 DEF_60_CNT_SOCIAL_CIRCLE float64 EXT_SOURCE_2 float64 AMT_GOODS_PRICE float64 AMT_ANNUITY float64 CNT_FAM_MEMBERS float64 DAYS_LAST_PHONE_CHANGE float64 CNT_CHILDREN category FLAG_DOCUMENT_8 category NAME_CONTRACT_TYPE category CODE_GENDER category FLAG_OWN_CAR category FLAG_DOCUMENT_2 category FLAG_DOCUMENT_3 category FLAG_DOCUMENT_4 category FLAG_DOCUMENT_5 category FLAG_DOCUMENT_6 category FLAG_DOCUMENT_7 category FLAG_DOCUMENT_9 category FLAG_DOCUMENT_21 category FLAG_DOCUMENT_10 category FLAG_DOCUMENT_11 category FLAG_OWN_REALTY category FLAG_DOCUMENT_13 category FLAG_DOCUMENT_14 category FLAG_DOCUMENT_15 category FLAG_DOCUMENT_16 category FLAG_DOCUMENT_17 category FLAG_DOCUMENT_18 category FLAG_DOCUMENT_19 category FLAG_DOCUMENT_20 category FLAG_DOCUMENT_12 category AMT_CREDIT float64 AMT_INCOME_TOTAL float64 FLAG_PHONE category LIVE_CITY_NOT_WORK_CITY category REG_CITY_NOT_WORK_CITY category TARGET category REG_CITY_NOT_LIVE_CITY category LIVE_REGION_NOT_WORK_REGION category REG_REGION_NOT_WORK_REGION category REG_REGION_NOT_LIVE_REGION category HOUR_APPR_PROCESS_START category WEEKDAY_APPR_PROCESS_START category REGION_RATING_CLIENT_W_CITY category REGION_RATING_CLIENT category FLAG_EMAIL category FLAG_CONT_MOBILE category ORGANIZATION_TYPE category FLAG_WORK_PHONE category FLAG_EMP_PHONE category FLAG_MOBIL category DAYS_ID_PUBLISH int64 DAYS_REGISTRATION float64 DAYS_EMPLOYED int64 DAYS_BIRTH int64 REGION_POPULATION_RELATIVE float64 NAME_HOUSING_TYPE category NAME_FAMILY_STATUS category NAME_EDUCATION_TYPE category NAME_INCOME_TYPE category SK_ID_CURR int64 dtype: object
df_application.describe()
| COMMONAREA_MEDI | COMMONAREA_AVG | COMMONAREA_MODE | NONLIVINGAPARTMENTS_MODE | NONLIVINGAPARTMENTS_AVG | NONLIVINGAPARTMENTS_MEDI | LIVINGAPARTMENTS_MODE | LIVINGAPARTMENTS_AVG | LIVINGAPARTMENTS_MEDI | FLOORSMIN_AVG | FLOORSMIN_MODE | FLOORSMIN_MEDI | YEARS_BUILD_MEDI | YEARS_BUILD_MODE | YEARS_BUILD_AVG | OWN_CAR_AGE | LANDAREA_MEDI | LANDAREA_MODE | LANDAREA_AVG | BASEMENTAREA_MEDI | BASEMENTAREA_AVG | BASEMENTAREA_MODE | EXT_SOURCE_1 | NONLIVINGAREA_MODE | NONLIVINGAREA_AVG | NONLIVINGAREA_MEDI | ELEVATORS_MEDI | ELEVATORS_AVG | ELEVATORS_MODE | APARTMENTS_MEDI | APARTMENTS_AVG | APARTMENTS_MODE | ENTRANCES_MEDI | ENTRANCES_AVG | ENTRANCES_MODE | LIVINGAREA_AVG | LIVINGAREA_MODE | LIVINGAREA_MEDI | FLOORSMAX_MODE | FLOORSMAX_MEDI | FLOORSMAX_AVG | YEARS_BEGINEXPLUATATION_MODE | YEARS_BEGINEXPLUATATION_MEDI | YEARS_BEGINEXPLUATATION_AVG | TOTALAREA_MODE | EXT_SOURCE_3 | AMT_REQ_CREDIT_BUREAU_HOUR | AMT_REQ_CREDIT_BUREAU_DAY | AMT_REQ_CREDIT_BUREAU_WEEK | AMT_REQ_CREDIT_BUREAU_MON | AMT_REQ_CREDIT_BUREAU_QRT | AMT_REQ_CREDIT_BUREAU_YEAR | OBS_30_CNT_SOCIAL_CIRCLE | DEF_30_CNT_SOCIAL_CIRCLE | OBS_60_CNT_SOCIAL_CIRCLE | DEF_60_CNT_SOCIAL_CIRCLE | EXT_SOURCE_2 | AMT_GOODS_PRICE | AMT_ANNUITY | CNT_FAM_MEMBERS | DAYS_LAST_PHONE_CHANGE | AMT_CREDIT | AMT_INCOME_TOTAL | DAYS_ID_PUBLISH | DAYS_REGISTRATION | DAYS_EMPLOYED | DAYS_BIRTH | REGION_POPULATION_RELATIVE | SK_ID_CURR | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| count | 92646.000000 | 92646.000000 | 92646.000000 | 93997.000000 | 93997.000000 | 93997.000000 | 97312.000000 | 97312.000000 | 97312.000000 | 98869.000000 | 98869.000000 | 98869.000000 | 103023.000000 | 103023.000000 | 103023.000000 | 104582.000000 | 124921.000000 | 124921.000000 | 124921.000000 | 127568.000000 | 127568.000000 | 127568.000000 | 134133.000000 | 137829.000000 | 137829.000000 | 137829.000000 | 143620.000000 | 143620.000000 | 143620.000000 | 151450.000000 | 151450.00000 | 151450.000000 | 152683.000000 | 152683.000000 | 152683.000000 | 153161.000000 | 153161.000000 | 153161.000000 | 154491.000000 | 154491.000000 | 154491.000000 | 157504.000000 | 157504.000000 | 157504.000000 | 159080.000000 | 246546.000000 | 265992.000000 | 265992.000000 | 265992.000000 | 265992.000000 | 265992.000000 | 265992.000000 | 306490.000000 | 306490.000000 | 306490.000000 | 306490.000000 | 3.068510e+05 | 3.072330e+05 | 307499.000000 | 307509.000000 | 307510.000000 | 3.075110e+05 | 3.075110e+05 | 307511.000000 | 307511.000000 | 307511.000000 | 307511.000000 | 307511.000000 | 307511.000000 |
| mean | 0.044595 | 0.044621 | 0.042553 | 0.008076 | 0.008809 | 0.008651 | 0.105645 | 0.100775 | 0.101954 | 0.231894 | 0.228058 | 0.231625 | 0.755746 | 0.759637 | 0.752471 | 12.061091 | 0.067169 | 0.064958 | 0.066333 | 0.087955 | 0.088442 | 0.087543 | 0.502130 | 0.027022 | 0.028358 | 0.028236 | 0.078078 | 0.078942 | 0.074490 | 0.117850 | 0.11744 | 0.114231 | 0.149213 | 0.149725 | 0.145193 | 0.107399 | 0.105975 | 0.108607 | 0.222315 | 0.225897 | 0.226282 | 0.977065 | 0.977752 | 0.977735 | 0.102547 | 0.510853 | 0.006402 | 0.007000 | 0.034362 | 0.267395 | 0.265474 | 1.899974 | 1.422245 | 0.143421 | 1.405292 | 0.100049 | 5.143927e-01 | 5.383962e+05 | 27108.573909 | 2.152665 | -962.858788 | 5.990260e+05 | 1.687979e+05 | -2994.202373 | -4986.120328 | 63815.045904 | -16036.995067 | 0.020868 | 278180.518577 |
| std | 0.076144 | 0.076036 | 0.074445 | 0.046276 | 0.047732 | 0.047415 | 0.097880 | 0.092576 | 0.093642 | 0.161380 | 0.161160 | 0.161934 | 0.112066 | 0.110111 | 0.113280 | 11.944812 | 0.082167 | 0.081750 | 0.081184 | 0.082179 | 0.082438 | 0.084307 | 0.211062 | 0.070254 | 0.069523 | 0.070166 | 0.134467 | 0.134576 | 0.132256 | 0.109076 | 0.10824 | 0.107936 | 0.100368 | 0.100049 | 0.100977 | 0.110565 | 0.111845 | 0.112260 | 0.143709 | 0.145067 | 0.144641 | 0.064575 | 0.059897 | 0.059223 | 0.107462 | 0.194844 | 0.083849 | 0.110757 | 0.204685 | 0.916002 | 0.794056 | 1.869295 | 2.400989 | 0.446698 | 2.379803 | 0.362291 | 1.910602e-01 | 3.694465e+05 | 14493.737315 | 0.910682 | 826.808487 | 4.024908e+05 | 2.371231e+05 | 1509.450419 | 3522.886321 | 141275.766519 | 4363.988632 | 0.013831 | 102790.175348 |
| min | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.014568 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.00000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000527 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 8.173617e-08 | 4.050000e+04 | 1615.500000 | 1.000000 | -4292.000000 | 4.500000e+04 | 2.565000e+04 | -7197.000000 | -24672.000000 | -17912.000000 | -25229.000000 | 0.000290 | 100002.000000 |
| 25% | 0.007900 | 0.007800 | 0.007200 | 0.000000 | 0.000000 | 0.000000 | 0.054200 | 0.050400 | 0.051300 | 0.083300 | 0.083300 | 0.083300 | 0.691400 | 0.699400 | 0.687200 | 5.000000 | 0.018700 | 0.016600 | 0.018700 | 0.043700 | 0.044200 | 0.040700 | 0.334007 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.058300 | 0.05770 | 0.052500 | 0.069000 | 0.069000 | 0.069000 | 0.045300 | 0.042700 | 0.045700 | 0.166700 | 0.166700 | 0.166700 | 0.976700 | 0.976700 | 0.976700 | 0.041200 | 0.370650 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 3.924574e-01 | 2.385000e+05 | 16524.000000 | 2.000000 | -1570.000000 | 2.700000e+05 | 1.125000e+05 | -4299.000000 | -7479.500000 | -2760.000000 | -19682.000000 | 0.010006 | 189145.500000 |
| 50% | 0.020800 | 0.021100 | 0.019000 | 0.000000 | 0.000000 | 0.000000 | 0.077100 | 0.075600 | 0.076100 | 0.208300 | 0.208300 | 0.208300 | 0.758500 | 0.764800 | 0.755200 | 9.000000 | 0.048700 | 0.045800 | 0.048100 | 0.075800 | 0.076300 | 0.074600 | 0.505998 | 0.001100 | 0.003600 | 0.003100 | 0.000000 | 0.000000 | 0.000000 | 0.086400 | 0.08760 | 0.084000 | 0.137900 | 0.137900 | 0.137900 | 0.074500 | 0.073100 | 0.074900 | 0.166700 | 0.166700 | 0.166700 | 0.981600 | 0.981600 | 0.981600 | 0.068800 | 0.535276 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 1.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 5.659614e-01 | 4.500000e+05 | 24903.000000 | 2.000000 | -757.000000 | 5.135310e+05 | 1.471500e+05 | -3254.000000 | -4504.000000 | -1213.000000 | -15750.000000 | 0.018850 | 278202.000000 |
| 75% | 0.051300 | 0.051500 | 0.049000 | 0.003900 | 0.003900 | 0.003900 | 0.131300 | 0.121000 | 0.123100 | 0.375000 | 0.375000 | 0.375000 | 0.825600 | 0.823600 | 0.823200 | 15.000000 | 0.086800 | 0.084100 | 0.085600 | 0.111600 | 0.112200 | 0.112400 | 0.675053 | 0.023100 | 0.027700 | 0.026600 | 0.120000 | 0.120000 | 0.120800 | 0.148900 | 0.14850 | 0.143900 | 0.206900 | 0.206900 | 0.206900 | 0.129900 | 0.125200 | 0.130300 | 0.333300 | 0.333300 | 0.333300 | 0.986600 | 0.986600 | 0.986600 | 0.127600 | 0.669057 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 0.000000 | 3.000000 | 2.000000 | 0.000000 | 2.000000 | 0.000000 | 6.636171e-01 | 6.795000e+05 | 34596.000000 | 3.000000 | -274.000000 | 8.086500e+05 | 2.025000e+05 | -1720.000000 | -2010.000000 | -289.000000 | -12413.000000 | 0.028663 | 367142.500000 |
| max | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 91.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 0.962693 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.00000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 1.000000 | 0.896010 | 4.000000 | 9.000000 | 8.000000 | 27.000000 | 261.000000 | 25.000000 | 348.000000 | 34.000000 | 344.000000 | 24.000000 | 8.549997e-01 | 4.050000e+06 | 258025.500000 | 20.000000 | 0.000000 | 4.050000e+06 | 1.170000e+08 | 0.000000 | 0.000000 | 365243.000000 | -7489.000000 | 0.072508 | 456255.000000 |
Separación en train y test estratificado¶
pd_plot_target_status = df_application['TARGET']\
.value_counts(normalize=True)\
.mul(100).rename('percent').reset_index()
pd_plot_target_status_conteo = df_application['TARGET'].value_counts().reset_index()
pd_plot_target_status_pc = pd.merge(pd_plot_target_status,
pd_plot_target_status_conteo, on=['index'], how='inner')
fig = px.histogram(pd_plot_target_status_pc, x="index", y=['percent'])
fig.show()
X_df_application, X_df_application_test, y_df_application, y_df_application_test = train_test_split(df_application.drop('TARGET',axis=1),
df_application['TARGET'],
stratify=df_application['TARGET'],
test_size=0.2)
df_application_train = pd.concat([X_df_application, y_df_application],axis=1)
df_application_test = pd.concat([X_df_application_test, y_df_application_test],axis=1)
print('== Train\n', df_application_train['TARGET'].value_counts(normalize=True))
print('== Test\n', df_application_test['TARGET'].value_counts(normalize=True))
== Train 0 0.919271 1 0.080729 Name: TARGET, dtype: float64 == Test 0 0.919272 1 0.080728 Name: TARGET, dtype: float64
En el presente código, se llevó a cabo un estudio minucioso de la variable objetivo TARGET para entender su distribución y tratar el desequilibrio notable existente. En un principio, se determinó la distribución porcentual y la totalidad de cada clase de TARGET en el DataFrame df_application. Esto hizo evidente que el 91.93% de los registros son de la clase 0 y únicamente el 8.07% pertenecen a la clase 1. Se aplicó una separación estratificada para preservar la proporción de clases en los conjuntos de datos de entrenamiento y prueba. De este modo, se empleó la función train_test_split de sklearn, garantizando una representación justa de ambas clases en los datos de entrenamiento y prueba.
Por otro lado, para confirmar la estratificación, se comprobaron las proporciones de cada clase en los dos grupos. Los hallazgos corroboraron que las distribuciones de TARGET se conservaron constantes tanto en los datos de entrenamiento como en los de prueba, lo cual es vital para prevenir prejuicios en el modelo y asegurar una valoración equitativa. Este cuidadoso enfoque en la separación y validación de los datos es esencial para garantizar la robustez y exactitud de los modelos de aprendizaje automático que se formarán en dichos datos. Por lo tanto, se asegura que el modelo pueda generalizar adecuadamente nuevos datos y ofrecer proyecciones confiables.
Visualización descriptiva de los datos¶
Se ve el número de valores nulos por filas y por columnas
pd_series_null_columns = df_application_train.isnull().sum().sort_values(ascending=False)
pd_series_null_rows = df_application_train.isnull().sum(axis=1).sort_values(ascending=False)
print(pd_series_null_columns.shape, pd_series_null_rows.shape)
pd_null_columnas = pd.DataFrame(pd_series_null_columns, columns=['nulos_columnas'])
pd_null_filas = pd.DataFrame(pd_series_null_rows, columns=['nulos_filas'])
pd_null_filas['target'] = df_application_train['TARGET'].copy()
pd_null_columnas['porcentaje_columnas'] = pd_null_columnas['nulos_columnas']/df_application_train.shape[0]
pd_null_filas['porcentaje_filas']= pd_null_filas['nulos_filas']/df_application_train.shape[1]
(122,) (246008,)
pd_null_columnas
| nulos_columnas | porcentaje_columnas | |
|---|---|---|
| COMMONAREA_MEDI | 172239 | 0.700136 |
| COMMONAREA_MODE | 172239 | 0.700136 |
| COMMONAREA_AVG | 172239 | 0.700136 |
| NONLIVINGAPARTMENTS_MODE | 171119 | 0.695583 |
| NONLIVINGAPARTMENTS_MEDI | 171119 | 0.695583 |
| NONLIVINGAPARTMENTS_AVG | 171119 | 0.695583 |
| FONDKAPREMONT_MODE | 168499 | 0.684933 |
| LIVINGAPARTMENTS_AVG | 168455 | 0.684754 |
| LIVINGAPARTMENTS_MEDI | 168455 | 0.684754 |
| LIVINGAPARTMENTS_MODE | 168455 | 0.684754 |
| FLOORSMIN_AVG | 167232 | 0.679783 |
| FLOORSMIN_MODE | 167232 | 0.679783 |
| FLOORSMIN_MEDI | 167232 | 0.679783 |
| YEARS_BUILD_MODE | 163886 | 0.666182 |
| YEARS_BUILD_AVG | 163886 | 0.666182 |
| YEARS_BUILD_MEDI | 163886 | 0.666182 |
| OWN_CAR_AGE | 162492 | 0.660515 |
| LANDAREA_MODE | 146388 | 0.595054 |
| LANDAREA_AVG | 146388 | 0.595054 |
| LANDAREA_MEDI | 146388 | 0.595054 |
| BASEMENTAREA_MEDI | 144312 | 0.586615 |
| BASEMENTAREA_AVG | 144312 | 0.586615 |
| BASEMENTAREA_MODE | 144312 | 0.586615 |
| EXT_SOURCE_1 | 138560 | 0.563234 |
| NONLIVINGAREA_MODE | 136057 | 0.553059 |
| NONLIVINGAREA_AVG | 136057 | 0.553059 |
| NONLIVINGAREA_MEDI | 136057 | 0.553059 |
| ELEVATORS_AVG | 131355 | 0.533946 |
| ELEVATORS_MODE | 131355 | 0.533946 |
| ELEVATORS_MEDI | 131355 | 0.533946 |
| WALLSMATERIAL_MODE | 125311 | 0.509378 |
| APARTMENTS_MEDI | 125098 | 0.508512 |
| APARTMENTS_AVG | 125098 | 0.508512 |
| APARTMENTS_MODE | 125098 | 0.508512 |
| ENTRANCES_MEDI | 124059 | 0.504288 |
| ENTRANCES_AVG | 124059 | 0.504288 |
| ENTRANCES_MODE | 124059 | 0.504288 |
| LIVINGAREA_AVG | 123739 | 0.502988 |
| LIVINGAREA_MODE | 123739 | 0.502988 |
| LIVINGAREA_MEDI | 123739 | 0.502988 |
| HOUSETYPE_MODE | 123650 | 0.502626 |
| FLOORSMAX_MODE | 122647 | 0.498549 |
| FLOORSMAX_MEDI | 122647 | 0.498549 |
| FLOORSMAX_AVG | 122647 | 0.498549 |
| YEARS_BEGINEXPLUATATION_AVG | 120254 | 0.488822 |
| YEARS_BEGINEXPLUATATION_MODE | 120254 | 0.488822 |
| YEARS_BEGINEXPLUATATION_MEDI | 120254 | 0.488822 |
| TOTALAREA_MODE | 118987 | 0.483671 |
| EMERGENCYSTATE_MODE | 116870 | 0.475066 |
| OCCUPATION_TYPE | 77303 | 0.314230 |
| EXT_SOURCE_3 | 48784 | 0.198302 |
| AMT_REQ_CREDIT_BUREAU_HOUR | 33206 | 0.134979 |
| AMT_REQ_CREDIT_BUREAU_DAY | 33206 | 0.134979 |
| AMT_REQ_CREDIT_BUREAU_WEEK | 33206 | 0.134979 |
| AMT_REQ_CREDIT_BUREAU_MON | 33206 | 0.134979 |
| AMT_REQ_CREDIT_BUREAU_QRT | 33206 | 0.134979 |
| AMT_REQ_CREDIT_BUREAU_YEAR | 33206 | 0.134979 |
| NAME_TYPE_SUITE | 1035 | 0.004207 |
| OBS_60_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| DEF_60_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| DEF_30_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| OBS_30_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| EXT_SOURCE_2 | 537 | 0.002183 |
| AMT_GOODS_PRICE | 219 | 0.000890 |
| AMT_ANNUITY | 8 | 0.000033 |
| CNT_FAM_MEMBERS | 1 | 0.000004 |
| DAYS_LAST_PHONE_CHANGE | 1 | 0.000004 |
| HOUR_APPR_PROCESS_START | 0 | 0.000000 |
| FLAG_EMAIL | 0 | 0.000000 |
| REGION_RATING_CLIENT | 0 | 0.000000 |
| REGION_RATING_CLIENT_W_CITY | 0 | 0.000000 |
| WEEKDAY_APPR_PROCESS_START | 0 | 0.000000 |
| REG_CITY_NOT_LIVE_CITY | 0 | 0.000000 |
| REG_REGION_NOT_LIVE_REGION | 0 | 0.000000 |
| REG_REGION_NOT_WORK_REGION | 0 | 0.000000 |
| LIVE_REGION_NOT_WORK_REGION | 0 | 0.000000 |
| ORGANIZATION_TYPE | 0 | 0.000000 |
| REG_CITY_NOT_WORK_CITY | 0 | 0.000000 |
| FLAG_CONT_MOBILE | 0 | 0.000000 |
| FLAG_MOBIL | 0 | 0.000000 |
| FLAG_WORK_PHONE | 0 | 0.000000 |
| FLAG_EMP_PHONE | 0 | 0.000000 |
| FLAG_PHONE | 0 | 0.000000 |
| DAYS_ID_PUBLISH | 0 | 0.000000 |
| DAYS_REGISTRATION | 0 | 0.000000 |
| DAYS_EMPLOYED | 0 | 0.000000 |
| DAYS_BIRTH | 0 | 0.000000 |
| REGION_POPULATION_RELATIVE | 0 | 0.000000 |
| NAME_HOUSING_TYPE | 0 | 0.000000 |
| NAME_FAMILY_STATUS | 0 | 0.000000 |
| NAME_EDUCATION_TYPE | 0 | 0.000000 |
| NAME_INCOME_TYPE | 0 | 0.000000 |
| SK_ID_CURR | 0 | 0.000000 |
| LIVE_CITY_NOT_WORK_CITY | 0 | 0.000000 |
| FLAG_DOCUMENT_12 | 0 | 0.000000 |
| AMT_INCOME_TOTAL | 0 | 0.000000 |
| FLAG_DOCUMENT_9 | 0 | 0.000000 |
| CNT_CHILDREN | 0 | 0.000000 |
| FLAG_DOCUMENT_8 | 0 | 0.000000 |
| NAME_CONTRACT_TYPE | 0 | 0.000000 |
| CODE_GENDER | 0 | 0.000000 |
| FLAG_OWN_CAR | 0 | 0.000000 |
| FLAG_DOCUMENT_2 | 0 | 0.000000 |
| FLAG_DOCUMENT_3 | 0 | 0.000000 |
| FLAG_DOCUMENT_4 | 0 | 0.000000 |
| FLAG_DOCUMENT_5 | 0 | 0.000000 |
| FLAG_DOCUMENT_6 | 0 | 0.000000 |
| FLAG_DOCUMENT_7 | 0 | 0.000000 |
| FLAG_DOCUMENT_21 | 0 | 0.000000 |
| AMT_CREDIT | 0 | 0.000000 |
| FLAG_DOCUMENT_10 | 0 | 0.000000 |
| FLAG_DOCUMENT_11 | 0 | 0.000000 |
| FLAG_OWN_REALTY | 0 | 0.000000 |
| FLAG_DOCUMENT_13 | 0 | 0.000000 |
| FLAG_DOCUMENT_14 | 0 | 0.000000 |
| FLAG_DOCUMENT_15 | 0 | 0.000000 |
| FLAG_DOCUMENT_16 | 0 | 0.000000 |
| FLAG_DOCUMENT_17 | 0 | 0.000000 |
| FLAG_DOCUMENT_18 | 0 | 0.000000 |
| FLAG_DOCUMENT_19 | 0 | 0.000000 |
| FLAG_DOCUMENT_20 | 0 | 0.000000 |
| TARGET | 0 | 0.000000 |
pd_null_filas.head()
| nulos_filas | target | porcentaje_filas | |
|---|---|---|---|
| 69707 | 61 | 0 | 0.5 |
| 133770 | 61 | 0 | 0.5 |
| 150206 | 61 | 0 | 0.5 |
| 197736 | 61 | 0 | 0.5 |
| 269492 | 61 | 0 | 0.5 |
En este apartado, pd_series_null_columns y pd_series_null_rows, determinan la cantidad total de valores nulos en cada columna y fila, respectivamente, y las organizan de manera descendente para detectar con eficacia las columnas y filas con mayor cantidad de valores nulos. Cabe mencionar que, detectar la ubicación de los valores nulos es esencial para el siguiente paso en la gestión de datos, debido a que facilita la toma de decisiones fundamentadas respecto a si se deben modificar filas/columnas, atribuir valores nulos o tratar los nulos de una forma distinta.
Distribución del resto de variables¶
def set_plot_style():
"""Configura el estilo general de los gráficos"""
sns.set_style("whitegrid")
plt.rcParams['figure.dpi'] = 100
plt.rcParams['font.size'] = 10
plt.rcParams['axes.titlesize'] = 12
plt.rcParams['axes.labelsize'] = 10
plt.rcParams['xtick.labelsize'] = 9
plt.rcParams['ytick.labelsize'] = 9
def clear_memory():
"""Limpia la memoria"""
plt.close('all')
gc.collect()
def optimize_figure_size(n_categories, label_length):
"""Optimiza el tamaño de la figura"""
if n_categories > 10 or label_length > 15:
return (15, 6)
return (12, 5)
def plot_feature(df, col_name, isContinuous, target, max_categories=15, sample_size=50000):
"""
Función para crear gráficos exploratorios personalizados con Seaborn, optimizando su diseño según las
características de la variable analizada (continua o categórica) y su relación con la variable objetivo.
Parámetros:
-----------
- df : pandas.DataFrame
El conjunto de datos que contiene las variables a analizar.
- col_name : str
Nombre de la columna a analizar dentro del DataFrame.
- isContinuous : bool
Indica si la columna es una variable continua (True) o categórica (False).
- target : str
Nombre de la variable objetivo con la que se analizará la relación de la columna.
- max_categories : int, opcional (default=15)
Número máximo de categorías a visualizar para variables categóricas (las categorías con menor frecuencia serán excluidas si se excede este límite).
- sample_size : int, opcional (default=50000)
Tamaño máximo de la muestra a utilizar para optimizar el rendimiento en conjuntos de datos grandes.
Salida:
-------
- fig : matplotlib.figure.Figure
Figura generada con los gráficos. Si ocurre un error durante la generación de los gráficos,
se devuelve None.
Descripción del Proceso:
------------------------
1. *Reducción de datos para conjuntos grandes*: Si el número de filas del DataFrame supera
sample_size, se toma una muestra aleatoria para optimizar la velocidad de procesamiento.
2. *Ajuste del tamaño de la figura*: El tamaño de los gráficos se calcula dinámicamente en función
del número de valores únicos en la columna analizada (col_name) y la longitud de sus etiquetas.
3. *Gráficos para variables continuas*:
- *Histograma*: Muestra la distribución de la variable. Incluye líneas para la media y la mediana.
- *Boxplot*: Visualiza la distribución de la variable por categorías de la variable objetivo.
4. *Gráficos para variables categóricas*:
- *Conteo de categorías*: Muestra la frecuencia de las principales categorías.
- *Proporción por target*: Visualiza la proporción de la variable objetivo en función de las categorías.
5. *Limpieza de outliers (para continuas)*: Se excluyen valores extremos utilizando los percentiles
1 y 99.
6. *Control de etiquetas y rotación*: Se optimizan las etiquetas del eje X para mejorar la legibilidad, ajustando la rotación según la longitud de las etiquetas y el número de categorías.
Uso recomendado:
-----------------
Utiliza esta función para el análisis exploratorio de datos (EDA), cuando necesites entender:
- La distribución de una variable continua o categórica.
- La relación entre una variable independiente y la variable objetivo.
Manejo de errores:
------------------
Si ocurre un error durante la ejecución (por ejemplo, si una columna no existe en el DataFrame o si
el tipo de dato no es adecuado), la función cierra la figura creada y devuelve None.
"""
# Muestreo si el dataset es grande
if len(df) > sample_size:
df = df.sample(n=sample_size, random_state=42)
# Calcular métricas para el tamaño
n_unique = len(df[col_name].unique())
max_label_len = df[col_name].astype(str).str.len().max()
figsize = optimize_figure_size(n_unique, max_label_len)
# Crear figura
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=figsize)
# Paleta de colores personalizada
palette = sns.color_palette(['#2ecc71', '#e74c3c', '#3498db'])
try:
# Calcular información de nulos
nulls = df[col_name].isnull().sum()
null_pct = (nulls / len(df)) * 100
if isContinuous:
# Limpiar outliers
q1, q3 = df[col_name].quantile([0.01, 0.99])
df_clean = df[(df[col_name] >= q1) & (df[col_name] <= q3)]
# Gráfico de distribución
sns.histplot(
data=df_clean,
x=col_name,
ax=ax1,
color=palette[0],
kde=True,
bins=30
)
# Añadir líneas de media y mediana
mean_val = df_clean[col_name].mean()
median_val = df_clean[col_name].median()
ax1.axvline(mean_val, color=palette[1], linestyle='--', label=f'Media: {mean_val:.2f}')
ax1.axvline(median_val, color=palette[2], linestyle='--', label=f'Mediana: {median_val:.2f}')
ax1.legend(fontsize=8)
# Boxplot
sns.boxplot(
x=target,
y=col_name,
data=df_clean,
ax=ax2,
palette=[palette[0], palette[1]]
)
else:
# Limitar categorías para variables categóricas
value_counts = df[col_name].value_counts()
if len(value_counts) > max_categories:
top_cats = value_counts.nlargest(max_categories).index
df = df[df[col_name].isin(top_cats)]
value_counts = value_counts[top_cats]
# Gráfico de conteo
sns.countplot(
data=df,
x=col_name,
order=value_counts.index,
ax=ax1,
color=palette[0]
)
# Gráfico de proporción por target
target_props = df.groupby(col_name)[target].value_counts(normalize=True).unstack()
target_props.plot(
kind='bar',
ax=ax2,
color=[palette[0], palette[1]],
width=0.8
)
ax2.set_ylabel(f'Proporción de {target}')
# Configurar títulos y etiquetas
ax1.set_title(f'Distribución de {col_name}\nNulos: {nulls:,} ({null_pct:.1f}%)')
ax2.set_title(f'Relación con {target}')
# Ajustar etiquetas
for ax in [ax1, ax2]:
if not isContinuous:
labels = ax.get_xticklabels()
if len(labels) > 0:
max_len = max(len(str(l.get_text())) for l in labels)
rotation = 90 if max_len > 10 or len(labels) > 5 else 45
ax.set_xticklabels(
labels,
rotation=rotation,
ha='right' if rotation == 90 else 'right',
fontsize=8
)
# Ajustar grid
ax.grid(True, alpha=0.3)
# Ajustar límites
if not isContinuous:
ax.set_xlabel(col_name, fontsize=9)
# Ajustar espacio
plt.tight_layout()
return fig
except Exception as e:
plt.close(fig)
print(f"Error en {col_name}: {str(e)}")
return None
def plot_all_features(df, target_col='TARGET', batch_size=3, memory_threshold=85):
"""
Función para generar gráficos exploratorios de todas las características de un conjunto de datos,
optimizando el uso de recursos de memoria y procesando las columnas en lotes.
Parámetros:
-----------
- df : pandas.DataFrame
El conjunto de datos que contiene las características y la variable objetivo.
- target_col : str, opcional (default='TARGET')
Nombre de la columna objetivo con la cual se analizará la relación de las demás características.
- batch_size : int, opcional (default=3)
Número de columnas a procesar simultáneamente en cada lote para optimizar el rendimiento.
- memory_threshold : int, opcional (default=85)
Porcentaje máximo de uso de memoria permitido antes de forzar la limpieza de recursos.
Descripción del Proceso:
------------------------
1. *Configuración inicial*:
- Configura el estilo visual para los gráficos utilizando una función personalizada (set_plot_style).
- Excluye la columna objetivo (target_col) de la lista de columnas a procesar.
- Calcula el número total de columnas a analizar.
2. *Procesamiento por lotes*:
- Divide las columnas en lotes (batch_size) para evitar sobrecargar la memoria en datasets grandes.
- Antes de procesar un lote, verifica el uso de memoria utilizando psutil.virtual_memory().
- Si el uso de memoria excede el umbral definido (memory_threshold), fuerza la limpieza de memoria
invocando clear_memory().
3. *Generación de gráficos*:
- Para cada columna del lote:
- Determina si es una variable continua o categórica, basándose en su tipo de datos y el número de
valores únicos.
- Llama a la función plot_feature para generar los gráficos correspondientes. Si la función devuelve
un gráfico válido, este se muestra y se cierra para liberar recursos.
- Limpia la memoria después de procesar cada columna para optimizar el uso de recursos. 4. *Pausa entre lotes*:
- Introduce un breve retraso entre lotes para evitar sobrecargar el sistema, especialmente útil en entornos
con recursos limitados.
5. *Manejo de errores*:
- Captura excepciones generadas por columnas individuales y continúa procesando las demás,
asegurando que el proceso no se detenga por errores aislados.
- Permite la interrupción manual mediante un KeyboardInterrupt (Ctrl + C), asegurando la limpieza de
recursos antes de finalizar.
Salida:
-------
- Muestra en pantalla los gráficos generados para cada columna y los cierra automáticamente para optimizar
el uso de memoria.
- Imprime mensajes en la consola para informar sobre el progreso del análisis (lotes procesados, columnas
con errores, etc.).
Uso recomendado:
-----------------
Esta función es ideal para realizar análisis exploratorio de datos (EDA) cuando:
- Trabajas con un conjunto de datos con un gran número de características.
- Necesitas automatizar la generación de gráficos para todas las columnas, optimizando el uso de recursos.
- Quieres identificar patrones generales en la relación entre las características y la variable objetivo.
Manejo de errores:
------------------
- Si una columna no puede procesarse por cualquier motivo (como valores no válidos o errores inesperados),
la función imprime el error en consola y continúa con la siguiente columna.
- Permite interrumpir el proceso manualmente mediante Ctrl + C, asegurando la limpieza de memoria al finalizar.
"""
# Configurar estilo
set_plot_style()
# Preparar columnas
columns = [col for col in df.columns if col != target_col]
total_cols = len(columns)
print(f"Iniciando análisis de {total_cols} características")
try:
for i in range(0, total_cols, batch_size):
# Verificar memoria
if psutil.virtual_memory().percent > memory_threshold:
clear_memory()
print("\nLimpiando memoria...")
time.sleep(2)
batch_cols = columns[i:i + batch_size]
print(f"\nProcesando lote {i//batch_size + 1} de {(total_cols + batch_size - 1)//batch_size}")
for col in batch_cols:
try:
# Determinar tipo de variable
is_continuous = (
df[col].dtype in [float, int] and
len(df[col].unique()) > 10
)
# Crear gráfico
fig = plot_feature(
df=df,
col_name=col,
isContinuous=is_continuous,
target=target_col,
max_categories=15, # Límite de categorías
sample_size=50000 # Límite de registros
)
if fig is not None:
plt.show()
plt.close(fig)
# Limpiar memoria
clear_memory()
except Exception as e:
print(f"Error procesando {col}: {str(e)}")
continue
# Pausa entre lotes
time.sleep(1)
print("\nProceso completado exitosamente.")
except KeyboardInterrupt:
print("\nProceso interrumpido por el usuario.")
clear_memory()
finally:
clear_memory()
# Ejecutar la visualización
plot_all_features(
df=df_application_train,
target_col='TARGET',
batch_size=3, # 3 gráficos por lote
memory_threshold=85 # Limpiar memoria al 85%
)
Iniciando análisis de 121 características Procesando lote 1 de 41
Procesando lote 2 de 41
Procesando lote 3 de 41
Procesando lote 4 de 41
Procesando lote 5 de 41
Procesando lote 6 de 41
Procesando lote 7 de 41
Procesando lote 8 de 41
Procesando lote 9 de 41
Procesando lote 10 de 41
Procesando lote 11 de 41
Procesando lote 12 de 41
Procesando lote 13 de 41
Procesando lote 14 de 41
Procesando lote 15 de 41
Procesando lote 16 de 41
Procesando lote 17 de 41
Error en OCCUPATION_TYPE: operands could not be broadcast together with shape (18,) (15,)
Procesando lote 18 de 41
Procesando lote 19 de 41
Procesando lote 20 de 41
Procesando lote 21 de 41
Procesando lote 22 de 41
Procesando lote 23 de 41
Error en CNT_CHILDREN: operands could not be broadcast together with shape (15,) (9,)
Procesando lote 24 de 41
Error en CODE_GENDER: operands could not be broadcast together with shape (3,) (2,)
Procesando lote 25 de 41
Procesando lote 26 de 41
Procesando lote 27 de 41
Error en FLAG_DOCUMENT_10: Length of passed values is 2, index implies 4. Procesando lote 28 de 41
Procesando lote 29 de 41
Procesando lote 30 de 41
Procesando lote 31 de 41
Procesando lote 32 de 41
Procesando lote 33 de 41
Procesando lote 34 de 41
Error en HOUR_APPR_PROCESS_START: operands could not be broadcast together with shape (24,) (15,) Procesando lote 35 de 41
Procesando lote 36 de 41
Error en ORGANIZATION_TYPE: operands could not be broadcast together with shape (58,) (15,) Procesando lote 37 de 41
Procesando lote 38 de 41
Procesando lote 39 de 41
Procesando lote 40 de 41 Error en NAME_FAMILY_STATUS: operands could not be broadcast together with shape (6,) (5,)
Procesando lote 41 de 41
Proceso completado exitosamente.
Análisis de los gráficos¶
El código establece el estilo de los gráficos y maximiza la utilización de la memoria al generar visualizaciones para cada elemento del dataset df_application_train. La función plot_feature produce gráficos concretos basados en la categoría de variable (continua o categórica) y proporciona una perspectiva minuciosa de la distribución de cada característica y su vínculo con la variable meta (TARGET). Esto comprende diagramas de distribución y boxplots para variables continuas, al igual que diagramas de conteo y proporciones para variables categóricas. Mediante el uso de una gama de colores a medida y la modificación automática del tamaño de las figuras, se garantiza que las visualizaciones sean nítidas y entendibles.
La función principal plot_all_features gestiona el análisis por lotes, facilitando el procesamiento y visualización de grandes datasets sin saturar la memoria del sistema. Este método, mediante la comprobación del uso de memoria y la limpieza periódica de los recursos, garantiza que el análisis sea eficaz y sostenible. Adicionalmente, la selección de grandes datasets incrementa la rapidez y el desempeño del análisis sin comprometer la representatividad de los datos.
Por último, se recalca que a partir de estos gráficos se puede analizar las distribuciones de las variables y su relación con la variable objetivo "TARGET". Entre los principales resultados se encuentra:
EXT_SOURCE_1: El gráfico de la variable EXT_SOURCE_1 revela que presenta una distribución bastante equilibrada con una leve tendencia hacia el valor medio. Además, los clientes con valores superiores en EXT_SOURCE_1 tienen una probabilidad menor de incurrir en el TARGET, es decir que los clientes con valores superiores en EXT_SOURCE_1 suelen tener un riesgo asociado más bajo, lo que indica que esta variable podría ser un indicador significativo para medir la probabilidad de cumplimiento de pagos.
NAME_CONTRACT_TYPE: La gráfica de la variable NAME_CONTRACT_TYPE muestra que los "Cash loans" (préstamos en efectivo) son significativamente más comunes que los "Revolving loans" (créditos renovables). Los "Cash loans" son préstamos otorgados en una suma fija que los clientes deben devolver en cuotas preestablecidas, mientras que los "Revolving loans" permiten a los clientes retirar fondos hasta un límite acordado y pagar en función del monto utilizado. A partir de esto, de acuerdo con la variable objetivo se comprueba que es más usual tener un retraso en el pago del préstamo en "cash loans", lo cual se puede deber a que estos préstamos suelen ser por montos más grandes y específicos, lo que puede representar una carga financiera más significativa para el prestatario. Por su parte, en los "revolving loans", el prestatario solo está obligado a pagar un mínimo cada mes, lo que puede incentivar un pago más regular, aunque sea pequeño.
NAME_EDUCATION_TYPE: Los datos indican que los individuos con grados de educación superior tienen menos tendencia a postergar los pagos de los préstamos. Primero, en los pagos aplazados (1 en rojo), se nota una reducción considerable en la proporción de los pagos aplazados conforme se eleva el nivel de educación. Por ejemplo, los individuos con educación superior y grado académico presentan una proporción significativamente inferior de pagos demorados en comparación con los que poseen "Secondary / secondary especial" o "Lower secondary". En contraste, en los pagos sin demora (0 en verde), la proporción de pagos sin demora se incrementa con grados educativos superiores, lo que indica una correlación positiva entre el pago y la formación académica.
DAYS_EMPLOYED: El gráfico de la variable DAYS_EMPLOYED indica que conforme se incrementa la cantidad de días empleados, la proporción de clientes con TARGET equivalente a 0 también se incrementa de manera notable. Esto es comprensible ya que los individuos que han estado trabajando durante un periodo prolongado suelen poseer una mayor estabilidad económica y un ingreso constante, lo que disminuye la probabilidad de incumplimiento de pagos. Además, las capacidades y experiencia obtenidas durante un trabajo extendido pueden convertirse en mejores oportunidades de empleo y una mayor habilidad para gestionar deudas.
AMT_CREDIT: La gráfica de la variable AMT_CREDIT indica que las cantidades de crédito generalmente se encuentran en un rango de bajo a medio, con picos en determinados intervalos que representan los valores más habituales. Los clientes que no enfrentan dificultades de pago (TARGET=0) suelen poseer créditos más elevados y repartidos en una gama más extensa en contraste con los que tienen dificultades de pago (TARGET=1). Esto indica que los clientes con créditos más elevados, probablemente debido a condiciones financieras más favorables, tienen menos posibilidad de no cumplir con sus obligaciones de pago.
AMT_INCOME_TOTAL: El gráfico de la variable AMT_INCOME_TOTAL indica que la mayor parte de los ingresos totales de las personas se sitúan en un intervalo de bajo a medio. El promedio de los ingresos se sitúa cerca de 185,838.27, mientras que la mediana es de 144,000. Esto señala que existen algunas personas con ingresos considerablemente elevados que superan el promedio. En relación con la variable TARGET, el diagrama de caja (boxplot) muestra que las personas sin dificultades de pago (TARGET=0) suelen tener ingresos más elevados y repartidos en un espectro más extenso en contraste con las que tienen dificultades de pago (TARGET=1). Esto indica que los clientes con ingresos superiores tienen una probabilidad reducida de incumplir con sus pagos, posiblemente debido a una mayor estabilidad económica.
NAME_HOUSING_TYPE: A partir del gráfico, se analiza que la variable NAME_HOUSING_TYPE exhibe la distribución de los diferentes tipos de vivienda y su vínculo con la variable TARGET. El diagrama a la izquierda muestra que "House / apartment" es la categoría de vivienda más habitual, con más de 40,000 casos, seguida por "With parents" y otras categorías menos comunes como "Municipal apartment" y "Rented apartment". El gráfico de la derecha resalta que los dos grupos con las proporciones más elevadas de clientes con dificultades de pago (TARGET=1) son "Apartamento alquilado" y "Con padres", lo que indica que residir en apartamentos alquilados o con padres podría estar vinculado a una mayor posibilidad de incumplimiento de pagos, probablemente debido a una estabilidad financiera inferior a la de aquellos que poseen o alquilan viviendas de otro tipo.
- Tratamiento de las variables continuas¶
A continuación, se tratan los valores missing, las correlaciones de las variables continuas y los outlier.
list_var_continuous
['COMMONAREA_MEDI', 'COMMONAREA_AVG', 'COMMONAREA_MODE', 'NONLIVINGAPARTMENTS_MODE', 'NONLIVINGAPARTMENTS_AVG', 'NONLIVINGAPARTMENTS_MEDI', 'LIVINGAPARTMENTS_MODE', 'LIVINGAPARTMENTS_AVG', 'LIVINGAPARTMENTS_MEDI', 'FLOORSMIN_AVG', 'FLOORSMIN_MODE', 'FLOORSMIN_MEDI', 'YEARS_BUILD_MEDI', 'YEARS_BUILD_MODE', 'YEARS_BUILD_AVG', 'OWN_CAR_AGE', 'LANDAREA_MEDI', 'LANDAREA_MODE', 'LANDAREA_AVG', 'BASEMENTAREA_MEDI', 'BASEMENTAREA_AVG', 'BASEMENTAREA_MODE', 'EXT_SOURCE_1', 'NONLIVINGAREA_MODE', 'NONLIVINGAREA_AVG', 'NONLIVINGAREA_MEDI', 'ELEVATORS_MEDI', 'ELEVATORS_AVG', 'ELEVATORS_MODE', 'APARTMENTS_MEDI', 'APARTMENTS_AVG', 'APARTMENTS_MODE', 'ENTRANCES_MEDI', 'ENTRANCES_AVG', 'ENTRANCES_MODE', 'LIVINGAREA_AVG', 'LIVINGAREA_MODE', 'LIVINGAREA_MEDI', 'FLOORSMAX_MODE', 'FLOORSMAX_MEDI', 'FLOORSMAX_AVG', 'YEARS_BEGINEXPLUATATION_MODE', 'YEARS_BEGINEXPLUATATION_MEDI', 'YEARS_BEGINEXPLUATATION_AVG', 'TOTALAREA_MODE', 'EXT_SOURCE_3', 'AMT_REQ_CREDIT_BUREAU_HOUR', 'AMT_REQ_CREDIT_BUREAU_DAY', 'AMT_REQ_CREDIT_BUREAU_WEEK', 'AMT_REQ_CREDIT_BUREAU_MON', 'AMT_REQ_CREDIT_BUREAU_QRT', 'AMT_REQ_CREDIT_BUREAU_YEAR', 'OBS_30_CNT_SOCIAL_CIRCLE', 'DEF_30_CNT_SOCIAL_CIRCLE', 'OBS_60_CNT_SOCIAL_CIRCLE', 'DEF_60_CNT_SOCIAL_CIRCLE', 'EXT_SOURCE_2', 'AMT_GOODS_PRICE', 'AMT_ANNUITY', 'CNT_FAM_MEMBERS', 'DAYS_LAST_PHONE_CHANGE', 'AMT_CREDIT', 'AMT_INCOME_TOTAL', 'DAYS_REGISTRATION', 'REGION_POPULATION_RELATIVE']
Tratamiento de outliers¶
Los valores outlier se pueden sustituir por la media, mediana, valores extremos (media+3std o media-3std). Tras el siguiente análisis, hemos decidido como primera iteración dejarlos sin sustituir. Una vez llegue al modelo se pueden realizar iteraciones utilizando diferentes métodos para comprobar si esto mejora el modelo.
f_aux.get_deviation_of_mean_perc(df_application_train, list_var_continuous, target='TARGET', multiplier=3)
| 0.0 | 1.0 | variable | sum_outlier_values | porcentaje_sum_null_values | |
|---|---|---|---|---|---|
| 0 | 0.945588 | 0.054412 | COMMONAREA_MEDI | 1360 | 0.005528 |
| 1 | 0.946389 | 0.053611 | COMMONAREA_AVG | 1343 | 0.005459 |
| 2 | 0.941264 | 0.058736 | COMMONAREA_MODE | 1345 | 0.005467 |
| 3 | 0.927911 | 0.072089 | NONLIVINGAPARTMENTS_MODE | 541 | 0.002199 |
| 4 | 0.936953 | 0.063047 | NONLIVINGAPARTMENTS_AVG | 571 | 0.002321 |
| 5 | 0.936508 | 0.063492 | NONLIVINGAPARTMENTS_MEDI | 567 | 0.002305 |
| 6 | 0.945139 | 0.054861 | LIVINGAPARTMENTS_MODE | 1440 | 0.005853 |
| 7 | 0.948080 | 0.051920 | LIVINGAPARTMENTS_AVG | 1406 | 0.005715 |
| 8 | 0.947146 | 0.052854 | LIVINGAPARTMENTS_MEDI | 1419 | 0.005768 |
| 9 | 0.962343 | 0.037657 | FLOORSMIN_AVG | 478 | 0.001943 |
| 10 | 0.965789 | 0.034211 | FLOORSMIN_MODE | 380 | 0.001545 |
| 11 | 0.963964 | 0.036036 | FLOORSMIN_MEDI | 444 | 0.001805 |
| 12 | 0.926501 | 0.073499 | YEARS_BUILD_MEDI | 966 | 0.003927 |
| 13 | 0.924431 | 0.075569 | YEARS_BUILD_MODE | 966 | 0.003927 |
| 14 | 0.925810 | 0.074190 | YEARS_BUILD_AVG | 957 | 0.003890 |
| 15 | 0.916981 | 0.083019 | OWN_CAR_AGE | 2650 | 0.010772 |
| 16 | 0.938453 | 0.061547 | LANDAREA_MEDI | 1706 | 0.006935 |
| 17 | 0.935126 | 0.064874 | LANDAREA_MODE | 1711 | 0.006955 |
| 18 | 0.936005 | 0.063995 | LANDAREA_AVG | 1672 | 0.006797 |
| 19 | 0.945980 | 0.054020 | BASEMENTAREA_MEDI | 1592 | 0.006471 |
| 20 | 0.946066 | 0.053934 | BASEMENTAREA_AVG | 1576 | 0.006406 |
| 21 | 0.946570 | 0.053430 | BASEMENTAREA_MODE | 1647 | 0.006695 |
| 22 | 0.947901 | 0.052099 | NONLIVINGAREA_MODE | 1977 | 0.008036 |
| 23 | 0.948731 | 0.051269 | NONLIVINGAREA_AVG | 1931 | 0.007849 |
| 24 | 0.948347 | 0.051653 | NONLIVINGAREA_MEDI | 1936 | 0.007870 |
| 25 | 0.955670 | 0.044330 | ELEVATORS_MEDI | 1940 | 0.007886 |
| 26 | 0.955339 | 0.044661 | ELEVATORS_AVG | 1948 | 0.007918 |
| 27 | 0.952114 | 0.047886 | ELEVATORS_MODE | 2673 | 0.010866 |
| 28 | 0.950833 | 0.049167 | APARTMENTS_MEDI | 2400 | 0.009756 |
| 29 | 0.950042 | 0.049958 | APARTMENTS_AVG | 2362 | 0.009601 |
| 30 | 0.949583 | 0.050417 | APARTMENTS_MODE | 2400 | 0.009756 |
| 31 | 0.941176 | 0.058824 | ENTRANCES_MEDI | 1785 | 0.007256 |
| 32 | 0.941441 | 0.058559 | ENTRANCES_AVG | 1776 | 0.007219 |
| 33 | 0.942490 | 0.057510 | ENTRANCES_MODE | 2104 | 0.008553 |
| 34 | 0.950137 | 0.049863 | LIVINGAREA_AVG | 2547 | 0.010353 |
| 35 | 0.948766 | 0.051234 | LIVINGAREA_MODE | 2674 | 0.010870 |
| 36 | 0.950973 | 0.049027 | LIVINGAREA_MEDI | 2570 | 0.010447 |
| 37 | 0.959009 | 0.040991 | FLOORSMAX_MODE | 2098 | 0.008528 |
| 38 | 0.957182 | 0.042818 | FLOORSMAX_MEDI | 2172 | 0.008829 |
| 39 | 0.957129 | 0.042871 | FLOORSMAX_AVG | 2076 | 0.008439 |
| 40 | 0.896869 | 0.103131 | YEARS_BEGINEXPLUATATION_MODE | 543 | 0.002207 |
| 41 | 0.892100 | 0.107900 | YEARS_BEGINEXPLUATATION_MEDI | 519 | 0.002110 |
| 42 | 0.898551 | 0.101449 | YEARS_BEGINEXPLUATATION_AVG | 552 | 0.002244 |
| 43 | 0.956473 | 0.043527 | TOTALAREA_MODE | 2665 | 0.010833 |
| 44 | 0.916987 | 0.083013 | AMT_REQ_CREDIT_BUREAU_HOUR | 1301 | 0.005288 |
| 45 | 0.907313 | 0.092687 | AMT_REQ_CREDIT_BUREAU_DAY | 1176 | 0.004780 |
| 46 | 0.921430 | 0.078570 | AMT_REQ_CREDIT_BUREAU_WEEK | 6771 | 0.027523 |
| 47 | 0.947511 | 0.052489 | AMT_REQ_CREDIT_BUREAU_MON | 2591 | 0.010532 |
| 48 | 0.914641 | 0.085359 | AMT_REQ_CREDIT_BUREAU_QRT | 1851 | 0.007524 |
| 49 | 0.905410 | 0.094590 | AMT_REQ_CREDIT_BUREAU_YEAR | 2717 | 0.011044 |
| 50 | 0.910855 | 0.089145 | OBS_30_CNT_SOCIAL_CIRCLE | 4947 | 0.020109 |
| 51 | 0.881458 | 0.118542 | DEF_30_CNT_SOCIAL_CIRCLE | 5458 | 0.022186 |
| 52 | 0.911000 | 0.089000 | OBS_60_CNT_SOCIAL_CIRCLE | 4809 | 0.019548 |
| 53 | 0.874166 | 0.125834 | DEF_60_CNT_SOCIAL_CIRCLE | 3147 | 0.012792 |
| 54 | 0.960048 | 0.039952 | AMT_GOODS_PRICE | 3304 | 0.013430 |
| 55 | 0.961881 | 0.038119 | AMT_ANNUITY | 2361 | 0.009597 |
| 56 | 0.898971 | 0.101029 | CNT_FAM_MEMBERS | 3207 | 0.013036 |
| 57 | 0.962227 | 0.037773 | DAYS_LAST_PHONE_CHANGE | 503 | 0.002045 |
| 58 | 0.958061 | 0.041939 | AMT_CREDIT | 2599 | 0.010565 |
| 59 | 0.936937 | 0.063063 | AMT_INCOME_TOTAL | 222 | 0.000902 |
| 60 | 0.957411 | 0.042589 | DAYS_REGISTRATION | 587 | 0.002386 |
| 61 | 0.958943 | 0.041057 | REGION_POPULATION_RELATIVE | 6698 | 0.027227 |
Distribución entre clases:¶
- Variables como DEF_30_CNT_SOCIAL_CIRCLE y DEF_60_CNT_SOCIAL_CIRCLE muestran proporciones elevadas en la clase 1.0 (11.7% y 12.6%, respectivamente), sugiriendo que son indicadores relevantes de riesgo crediticio. La alta presencia de valores en la clase 1.0 indica que los clientes con mayores valores en estas variables tienen una mayor probabilidad de incumplir con los pagos. Esto refuerza la necesidad de monitorear de cerca estos indicadores para mitigar el riesgo crediticio.
Valores Atípicos (Outliers):¶
- Variables como COMMONAREA_MEDI, COMMONAREA_AVG, y COMMONAREA_MODE presentan un número considerable de valores atípicos:
COMMONAREA_MEDI: 1364 valores atípicos (0.55% de los datos totales).
COMMONAREA_AVG: 1353 valores atípicos (0.55% de los datos totales).
COMMONAREA_MODE: 1350 valores atípicos (0.54% de los datos totales).
- Otras variables con niveles significativos de outliers incluyen:
LIVINGAPARTMENTS_MODE: 1425 valores atípicos (0.57%).
YEARS_BUILD_MEDI: 968 valores atípicos (0.39%).
OWN_CAR_AGE: 2705 valores atípicos (1.09%).
Esta variabilidad sugiere la necesidad de aplicar transformaciones de datos para normalizar las distribuciones y mejorar la precisión de los modelos predictivos.
Porcentaje de Valores Nulos:¶
Algunas variables presentan un porcentaje significativo de valores nulos:
OWN_CAR_AGE: 1.09% de valores nulos.
AMT_REQ_CREDIT_BUREAU_HOUR: 0.52% de valores nulos.
OBS_30_CNT_SOCIAL_CIRCLE: 2.01% de valores nulos.
Es crucial manejar estos valores nulos mediante imputación o eliminación, dependiendo de la importancia de la variable en el análisis. Las técnicas de imputación pueden incluir la media, la mediana, o el uso de diversos algoritmos.
Variables Clave para el Riesgo:¶
- Variables como OBS_30_CNT_SOCIAL_CIRCLE (8.8% en la clase 1.0) y AMT_REQ_CREDIT_BUREAU_YEAR (9.3%) son indicadores clave del comportamiento de pago. Estos predictores necesitan un manejo adecuado de los valores nulos y atípicos para garantizar su eficacia en los modelos de riesgo crediticio.
Correlaciones¶
f_aux.get_corr_matrix(dataset = df_application_train[list_var_continuous],
metodo='pearson', size_figure=[10,8])
0
Análisis de la matriz de correlación¶
Analizando la matriz de correlación del conjunto de datos BAF, se observa un patrón significativo de correlaciones moderadas a fuertes (valores entre 0.4 y 0.8) entre las variables relacionadas con las características de los apartamentos y áreas comunes (COMMONAREA_MEDI, LIVINGAPARTMENTS_MODE, NONLIVINGAPARTMENTS_AVG). Esto sugiere una estructura coherente en la forma en que las propiedades están organizadas y documentadas en el sistema bancario, lo cual es relevante para la detección de patrones potencialmente fraudulentos. Asimismo, variables como COMMONAREA_MEDI y COMMONAREA_MODE, y YEARS_BUILD_MEDI y YEARS_BUILD_AVG, presentan altas correlaciones. Esta redundancia sugiere que pueden capturar información similar, lo cual es útil para simplificar el modelo eliminando o combinando estas variables, según el análisis .
Por otra parte, las variables relacionadas con información crediticia y financiera (AMT_REQ_CREDIT_BUREAU_HOUR, AMT_REQ_CREDIT_BUREAU_WEEK, OBS_30_CNT_SOCIAL_CIRCLE) muestran correlaciones débiles entre sí (valores cercanos a 0), lo que indica independencia en los diferentes aspectos del comportamiento financiero de los clientes. Esta independencia es particularmente valiosa para los modelos de detección de fraude, ya que permite capturar diferentes dimensiones del riesgo sin redundancia informativa.
corr = df_application_train[list_var_continuous].corr('pearson')
new_corr = corr.abs()
new_corr.loc[:,:] = np.tril(new_corr, k=-1) # below main lower triangle of an array
new_corr = new_corr.stack().to_frame('correlation').reset_index().sort_values(by='correlation', ascending=False)
new_corr[new_corr['correlation']>0.6]
| level_0 | level_1 | correlation | |
|---|---|---|---|
| 3562 | OBS_60_CNT_SOCIAL_CIRCLE | OBS_30_CNT_SOCIAL_CIRCLE | 0.998525 |
| 922 | YEARS_BUILD_AVG | YEARS_BUILD_MEDI | 0.998408 |
| 724 | FLOORSMIN_MEDI | FLOORSMIN_AVG | 0.997172 |
| 2639 | FLOORSMAX_AVG | FLOORSMAX_MEDI | 0.996985 |
| 2177 | ENTRANCES_AVG | ENTRANCES_MEDI | 0.996877 |
| 1781 | ELEVATORS_AVG | ELEVATORS_MEDI | 0.996183 |
| 329 | NONLIVINGAPARTMENTS_MEDI | NONLIVINGAPARTMENTS_AVG | 0.995871 |
| 2440 | LIVINGAREA_MEDI | LIVINGAREA_AVG | 0.995787 |
| 65 | COMMONAREA_AVG | COMMONAREA_MEDI | 0.995665 |
| 1319 | BASEMENTAREA_AVG | BASEMENTAREA_MEDI | 0.995040 |
| 1979 | APARTMENTS_AVG | APARTMENTS_MEDI | 0.994946 |
| 2837 | YEARS_BEGINEXPLUATATION_AVG | YEARS_BEGINEXPLUATATION_MEDI | 0.993873 |
| 527 | LIVINGAPARTMENTS_MEDI | LIVINGAPARTMENTS_AVG | 0.993505 |
| 1186 | LANDAREA_AVG | LANDAREA_MEDI | 0.991425 |
| 1649 | NONLIVINGAREA_MEDI | NONLIVINGAREA_AVG | 0.990395 |
| 857 | YEARS_BUILD_MODE | YEARS_BUILD_MEDI | 0.989499 |
| 923 | YEARS_BUILD_AVG | YEARS_BUILD_MODE | 0.989385 |
| 2573 | FLOORSMAX_MEDI | FLOORSMAX_MODE | 0.988307 |
| 725 | FLOORSMIN_MEDI | FLOORSMIN_MODE | 0.988150 |
| 4022 | AMT_CREDIT | AMT_GOODS_PRICE | 0.986973 |
| 2638 | FLOORSMAX_AVG | FLOORSMAX_MODE | 0.985728 |
| 659 | FLOORSMIN_MODE | FLOORSMIN_AVG | 0.985592 |
| 1846 | ELEVATORS_MODE | ELEVATORS_MEDI | 0.983095 |
| 2242 | ENTRANCES_MODE | ENTRANCES_MEDI | 0.981022 |
| 130 | COMMONAREA_MODE | COMMONAREA_MEDI | 0.980982 |
| 1121 | LANDAREA_MODE | LANDAREA_MEDI | 0.980668 |
| 1847 | ELEVATORS_MODE | ELEVATORS_AVG | 0.979216 |
| 1384 | BASEMENTAREA_MODE | BASEMENTAREA_MEDI | 0.978859 |
| 2243 | ENTRANCES_MODE | ENTRANCES_AVG | 0.978084 |
| 131 | COMMONAREA_MODE | COMMONAREA_AVG | 0.977639 |
| 2044 | APARTMENTS_MODE | APARTMENTS_MEDI | 0.977409 |
| 526 | LIVINGAPARTMENTS_MEDI | LIVINGAPARTMENTS_MODE | 0.976488 |
| 328 | NONLIVINGAPARTMENTS_MEDI | NONLIVINGAPARTMENTS_MODE | 0.976350 |
| 1648 | NONLIVINGAREA_MEDI | NONLIVINGAREA_MODE | 0.975192 |
| 1385 | BASEMENTAREA_MODE | BASEMENTAREA_AVG | 0.975115 |
| 2441 | LIVINGAREA_MEDI | LIVINGAREA_MODE | 0.975048 |
| 2045 | APARTMENTS_MODE | APARTMENTS_AVG | 0.973336 |
| 1187 | LANDAREA_AVG | LANDAREA_MODE | 0.973222 |
| 2375 | LIVINGAREA_MODE | LIVINGAREA_AVG | 0.972640 |
| 263 | NONLIVINGAPARTMENTS_AVG | NONLIVINGAPARTMENTS_MODE | 0.972186 |
| 2836 | YEARS_BEGINEXPLUATATION_AVG | YEARS_BEGINEXPLUATATION_MODE | 0.971791 |
| 461 | LIVINGAPARTMENTS_AVG | LIVINGAPARTMENTS_MODE | 0.970640 |
| 1583 | NONLIVINGAREA_AVG | NONLIVINGAREA_MODE | 0.965255 |
| 2771 | YEARS_BEGINEXPLUATATION_MEDI | YEARS_BEGINEXPLUATATION_MODE | 0.962514 |
| 1957 | APARTMENTS_AVG | LIVINGAPARTMENTS_AVG | 0.942412 |
| 1893 | APARTMENTS_MEDI | LIVINGAPARTMENTS_MEDI | 0.941058 |
| 1958 | APARTMENTS_AVG | LIVINGAPARTMENTS_MEDI | 0.940754 |
| 2021 | APARTMENTS_MODE | LIVINGAPARTMENTS_MODE | 0.937433 |
| 1892 | APARTMENTS_MEDI | LIVINGAPARTMENTS_AVG | 0.933741 |
| 1891 | APARTMENTS_MEDI | LIVINGAPARTMENTS_MODE | 0.931295 |
| 1956 | APARTMENTS_AVG | LIVINGAPARTMENTS_MODE | 0.929634 |
| 2895 | TOTALAREA_MODE | LIVINGAREA_AVG | 0.927090 |
| 2897 | TOTALAREA_MODE | LIVINGAREA_MEDI | 0.921248 |
| 2434 | LIVINGAREA_MEDI | APARTMENTS_MEDI | 0.915066 |
| 2023 | APARTMENTS_MODE | LIVINGAPARTMENTS_MEDI | 0.914695 |
| 2305 | LIVINGAREA_AVG | APARTMENTS_AVG | 0.912721 |
| 2304 | LIVINGAREA_AVG | APARTMENTS_MEDI | 0.911788 |
| 2435 | LIVINGAREA_MEDI | APARTMENTS_AVG | 0.911296 |
| 2371 | LIVINGAREA_MODE | APARTMENTS_MODE | 0.909635 |
| 2022 | APARTMENTS_MODE | LIVINGAPARTMENTS_AVG | 0.907987 |
| 2896 | TOTALAREA_MODE | LIVINGAREA_MODE | 0.901261 |
| 2369 | LIVINGAREA_MODE | APARTMENTS_MEDI | 0.895540 |
| 2436 | LIVINGAREA_MEDI | APARTMENTS_MODE | 0.893771 |
| 2890 | TOTALAREA_MODE | APARTMENTS_AVG | 0.892760 |
| 2370 | LIVINGAREA_MODE | APARTMENTS_AVG | 0.892735 |
| 2306 | LIVINGAREA_AVG | APARTMENTS_MODE | 0.890474 |
| 2889 | TOTALAREA_MODE | APARTMENTS_MEDI | 0.886804 |
| 2413 | LIVINGAREA_MEDI | LIVINGAPARTMENTS_MEDI | 0.883864 |
| 2283 | LIVINGAREA_AVG | LIVINGAPARTMENTS_MEDI | 0.882604 |
| 2282 | LIVINGAREA_AVG | LIVINGAPARTMENTS_AVG | 0.879748 |
| 2346 | LIVINGAREA_MODE | LIVINGAPARTMENTS_MODE | 0.878444 |
| 2412 | LIVINGAREA_MEDI | LIVINGAPARTMENTS_AVG | 0.877033 |
| 2411 | LIVINGAREA_MEDI | LIVINGAPARTMENTS_MODE | 0.873947 |
| 2281 | LIVINGAREA_AVG | LIVINGAPARTMENTS_MODE | 0.872807 |
| 2431 | LIVINGAREA_MEDI | ELEVATORS_MEDI | 0.869772 |
| 2302 | LIVINGAREA_AVG | ELEVATORS_AVG | 0.869226 |
| 2301 | LIVINGAREA_AVG | ELEVATORS_MEDI | 0.867280 |
| 2432 | LIVINGAREA_MEDI | ELEVATORS_AVG | 0.867040 |
| 2891 | TOTALAREA_MODE | APARTMENTS_MODE | 0.864217 |
| 3628 | DEF_60_CNT_SOCIAL_CIRCLE | DEF_30_CNT_SOCIAL_CIRCLE | 0.859851 |
| 2348 | LIVINGAREA_MODE | LIVINGAPARTMENTS_MEDI | 0.857836 |
| 2368 | LIVINGAREA_MODE | ELEVATORS_MODE | 0.857670 |
| 2433 | LIVINGAREA_MEDI | ELEVATORS_MODE | 0.857609 |
| 2303 | LIVINGAREA_AVG | ELEVATORS_MODE | 0.854463 |
| 2347 | LIVINGAREA_MODE | LIVINGAPARTMENTS_AVG | 0.851685 |
| 2867 | TOTALAREA_MODE | LIVINGAPARTMENTS_AVG | 0.850322 |
| 2868 | TOTALAREA_MODE | LIVINGAPARTMENTS_MEDI | 0.848769 |
| 2887 | TOTALAREA_MODE | ELEVATORS_AVG | 0.846746 |
| 2366 | LIVINGAREA_MODE | ELEVATORS_MEDI | 0.842724 |
| 2367 | LIVINGAREA_MODE | ELEVATORS_AVG | 0.840727 |
| 2886 | TOTALAREA_MODE | ELEVATORS_MEDI | 0.840222 |
| 1911 | APARTMENTS_MEDI | ELEVATORS_MEDI | 0.837901 |
| 1977 | APARTMENTS_AVG | ELEVATORS_AVG | 0.837233 |
| 2866 | TOTALAREA_MODE | LIVINGAPARTMENTS_MODE | 0.836881 |
| 1976 | APARTMENTS_AVG | ELEVATORS_MEDI | 0.835448 |
| 1912 | APARTMENTS_MEDI | ELEVATORS_AVG | 0.834955 |
| 2043 | APARTMENTS_MODE | ELEVATORS_MODE | 0.826669 |
| 1913 | APARTMENTS_MEDI | ELEVATORS_MODE | 0.826050 |
| 2888 | TOTALAREA_MODE | ELEVATORS_MODE | 0.823041 |
| 1978 | APARTMENTS_AVG | ELEVATORS_MODE | 0.822881 |
| 1698 | ELEVATORS_MEDI | LIVINGAPARTMENTS_MEDI | 0.814992 |
| 1763 | ELEVATORS_AVG | LIVINGAPARTMENTS_MEDI | 0.813249 |
| 1762 | ELEVATORS_AVG | LIVINGAPARTMENTS_AVG | 0.812103 |
| 1697 | ELEVATORS_MEDI | LIVINGAPARTMENTS_AVG | 0.809794 |
| 2041 | APARTMENTS_MODE | ELEVATORS_MEDI | 0.809667 |
| 1826 | ELEVATORS_MODE | LIVINGAPARTMENTS_MODE | 0.809361 |
| 2042 | APARTMENTS_MODE | ELEVATORS_AVG | 0.806875 |
| 1828 | ELEVATORS_MODE | LIVINGAPARTMENTS_MEDI | 0.801290 |
| 1696 | ELEVATORS_MEDI | LIVINGAPARTMENTS_MODE | 0.800061 |
| 1761 | ELEVATORS_AVG | LIVINGAPARTMENTS_MODE | 0.798216 |
| 1827 | ELEVATORS_MODE | LIVINGAPARTMENTS_AVG | 0.795661 |
| 3827 | AMT_ANNUITY | AMT_GOODS_PRICE | 0.774675 |
| 4023 | AMT_CREDIT | AMT_ANNUITY | 0.769630 |
| 2609 | FLOORSMAX_AVG | FLOORSMIN_AVG | 0.741484 |
| 2546 | FLOORSMAX_MEDI | FLOORSMIN_MEDI | 0.739444 |
| 2544 | FLOORSMAX_MEDI | FLOORSMIN_AVG | 0.739029 |
| 2611 | FLOORSMAX_AVG | FLOORSMIN_MEDI | 0.738896 |
| 2481 | FLOORSMAX_MODE | FLOORSMIN_MEDI | 0.728916 |
| 2479 | FLOORSMAX_MODE | FLOORSMIN_AVG | 0.728291 |
| 2480 | FLOORSMAX_MODE | FLOORSMIN_MODE | 0.725238 |
| 2545 | FLOORSMAX_MEDI | FLOORSMIN_MODE | 0.721918 |
| 2610 | FLOORSMAX_AVG | FLOORSMIN_MODE | 0.721288 |
| 2295 | LIVINGAREA_AVG | BASEMENTAREA_AVG | 0.692653 |
| 2294 | LIVINGAREA_AVG | BASEMENTAREA_MEDI | 0.692015 |
| 2424 | LIVINGAREA_MEDI | BASEMENTAREA_MEDI | 0.691390 |
| 2361 | LIVINGAREA_MODE | BASEMENTAREA_MODE | 0.690492 |
| 2425 | LIVINGAREA_MEDI | BASEMENTAREA_AVG | 0.689470 |
| 2359 | LIVINGAREA_MODE | BASEMENTAREA_MEDI | 0.680900 |
| 1904 | APARTMENTS_MEDI | BASEMENTAREA_MEDI | 0.680091 |
| 2627 | FLOORSMAX_AVG | ELEVATORS_AVG | 0.679146 |
| 1970 | APARTMENTS_AVG | BASEMENTAREA_AVG | 0.679102 |
| 1969 | APARTMENTS_AVG | BASEMENTAREA_MEDI | 0.678473 |
| 2036 | APARTMENTS_MODE | BASEMENTAREA_MODE | 0.678306 |
| 1905 | APARTMENTS_MEDI | BASEMENTAREA_AVG | 0.677979 |
| 2360 | LIVINGAREA_MODE | BASEMENTAREA_AVG | 0.677834 |
| 2562 | FLOORSMAX_MEDI | ELEVATORS_AVG | 0.676863 |
| 2626 | FLOORSMAX_AVG | ELEVATORS_MEDI | 0.675390 |
| 2561 | FLOORSMAX_MEDI | ELEVATORS_MEDI | 0.674838 |
| 2296 | LIVINGAREA_AVG | BASEMENTAREA_MODE | 0.674593 |
| 2426 | LIVINGAREA_MEDI | BASEMENTAREA_MODE | 0.674468 |
| 2880 | TOTALAREA_MODE | BASEMENTAREA_AVG | 0.674418 |
| 2879 | TOTALAREA_MODE | BASEMENTAREA_MEDI | 0.671195 |
| 2497 | FLOORSMAX_MODE | ELEVATORS_AVG | 0.670173 |
| 2034 | APARTMENTS_MODE | BASEMENTAREA_MEDI | 0.668578 |
| 2496 | FLOORSMAX_MODE | ELEVATORS_MEDI | 0.668348 |
| 2035 | APARTMENTS_MODE | BASEMENTAREA_AVG | 0.665976 |
| 1906 | APARTMENTS_MEDI | BASEMENTAREA_MODE | 0.664309 |
| 1971 | APARTMENTS_AVG | BASEMENTAREA_MODE | 0.661710 |
| 2498 | FLOORSMAX_MODE | ELEVATORS_MODE | 0.660255 |
| 2628 | FLOORSMAX_AVG | ELEVATORS_MODE | 0.655645 |
| 2231 | ENTRANCES_MODE | BASEMENTAREA_MODE | 0.654961 |
| 2563 | FLOORSMAX_MEDI | ELEVATORS_MODE | 0.654961 |
| 1371 | BASEMENTAREA_MODE | LIVINGAPARTMENTS_MODE | 0.654957 |
| 2166 | ENTRANCES_AVG | BASEMENTAREA_MODE | 0.654775 |
| 2164 | ENTRANCES_AVG | BASEMENTAREA_MEDI | 0.654314 |
| 2101 | ENTRANCES_MEDI | BASEMENTAREA_MODE | 0.653880 |
| 2099 | ENTRANCES_MEDI | BASEMENTAREA_MEDI | 0.652999 |
| 2165 | ENTRANCES_AVG | BASEMENTAREA_AVG | 0.652762 |
| 1241 | BASEMENTAREA_MEDI | LIVINGAPARTMENTS_MODE | 0.651968 |
| 1243 | BASEMENTAREA_MEDI | LIVINGAPARTMENTS_MEDI | 0.651337 |
| 2881 | TOTALAREA_MODE | BASEMENTAREA_MODE | 0.651152 |
| 1308 | BASEMENTAREA_AVG | LIVINGAPARTMENTS_MEDI | 0.649221 |
| 2100 | ENTRANCES_MEDI | BASEMENTAREA_AVG | 0.648736 |
| 1306 | BASEMENTAREA_AVG | LIVINGAPARTMENTS_MODE | 0.648552 |
| 1307 | BASEMENTAREA_AVG | LIVINGAPARTMENTS_AVG | 0.646971 |
| 1242 | BASEMENTAREA_MEDI | LIVINGAPARTMENTS_AVG | 0.646367 |
| 2900 | TOTALAREA_MODE | FLOORSMAX_AVG | 0.633906 |
| 2229 | ENTRANCES_MODE | BASEMENTAREA_MEDI | 0.632750 |
| 2899 | TOTALAREA_MODE | FLOORSMAX_MEDI | 0.631364 |
| 1373 | BASEMENTAREA_MODE | LIVINGAPARTMENTS_MEDI | 0.630983 |
| 2635 | FLOORSMAX_AVG | LIVINGAREA_AVG | 0.630503 |
| 2570 | FLOORSMAX_MEDI | LIVINGAREA_AVG | 0.628520 |
| 2230 | ENTRANCES_MODE | BASEMENTAREA_AVG | 0.628092 |
| 2637 | FLOORSMAX_AVG | LIVINGAREA_MEDI | 0.626982 |
| 2898 | TOTALAREA_MODE | FLOORSMAX_MODE | 0.626942 |
| 2572 | FLOORSMAX_MEDI | LIVINGAREA_MEDI | 0.626219 |
| 2505 | FLOORSMAX_MODE | LIVINGAREA_AVG | 0.626029 |
| 1372 | BASEMENTAREA_MODE | LIVINGAPARTMENTS_AVG | 0.625898 |
| 2373 | LIVINGAREA_MODE | ENTRANCES_AVG | 0.624529 |
| 2374 | LIVINGAREA_MODE | ENTRANCES_MODE | 0.624160 |
| 2507 | FLOORSMAX_MODE | LIVINGAREA_MEDI | 0.624093 |
| 2372 | LIVINGAREA_MODE | ENTRANCES_MEDI | 0.623937 |
| 2438 | LIVINGAREA_MEDI | ENTRANCES_AVG | 0.621125 |
| 2437 | LIVINGAREA_MEDI | ENTRANCES_MEDI | 0.620783 |
| 2308 | LIVINGAREA_AVG | ENTRANCES_AVG | 0.620648 |
| 2630 | FLOORSMAX_AVG | APARTMENTS_AVG | 0.618386 |
| 2307 | LIVINGAREA_AVG | ENTRANCES_MEDI | 0.616888 |
| 2565 | FLOORSMAX_MEDI | APARTMENTS_AVG | 0.616260 |
| 2241 | ENTRANCES_MODE | APARTMENTS_MODE | 0.616216 |
| 2629 | FLOORSMAX_AVG | APARTMENTS_MEDI | 0.615078 |
| 2564 | FLOORSMAX_MEDI | APARTMENTS_MEDI | 0.614179 |
| 2500 | FLOORSMAX_MODE | APARTMENTS_AVG | 0.614050 |
| 2111 | ENTRANCES_MEDI | APARTMENTS_MODE | 0.613458 |
| 2176 | ENTRANCES_AVG | APARTMENTS_MODE | 0.613216 |
| 2174 | ENTRANCES_AVG | APARTMENTS_MEDI | 0.612410 |
| 2109 | ENTRANCES_MEDI | APARTMENTS_MEDI | 0.612365 |
| 2499 | FLOORSMAX_MODE | APARTMENTS_MEDI | 0.612309 |
| 2175 | ENTRANCES_AVG | APARTMENTS_AVG | 0.612052 |
| 2110 | ENTRANCES_MEDI | APARTMENTS_AVG | 0.608536 |
| 2506 | FLOORSMAX_MODE | LIVINGAREA_MODE | 0.606002 |
Variables con correlación extremadamente alta (> 0.99):¶
OBS_60_CNT_SOCIAL_CIRCLE y OBS_30_CNT_SOCIAL_CIRCLE (0.9985): Estas dos variables probablemente representan conteos de observaciones sociales en diferentes intervalos de tiempo (60 y 30 días), lo cual indica una relación cercana ya que están midiendo algo muy similar. Podría ser redundante conservar ambas variables, y se podría eliminar una para reducir la multicolinealidad. Otros ejemplos con correlaciones cercanas a 1 incluyen pares como YEARS_BUILD_AVG y YEARS_BUILD_MEDI (0.9984), y FLOORSMIN_MEDI y FLOORSMIN_AVG (0.9971), que también sugieren duplicidad en la información.
Variables de medidas promedio y mediana (AVG y MEDI):¶
Las variables con sufijos AVG, MEDI y MODE (promedio, mediana y moda) de características similares como FLOORSMAX, LIVINGAREA, APARTMENTS, ELEVATORS, etc., tienden a tener una alta correlación entre sí. A partir de esto se puede analizar que, en muchas casos, la media, mediana y moda de estas características tienden a ser valores cercanos. Por ejemplo, ENTRANCES_AVG y ENTRANCES_MEDI tienen una correlación de 0.9968. En estos casos, se podría optar por seleccionar solo una de estas variables representativas (como AVG o MEDI) para reducir la redundancia sin perder información significativa.
Relación entre área y otras variables estructurales:¶
LIVINGAREA, BASEMENTAREA, y APARTMENTS están muy correlacionadas entre sí. Por ejemplo, LIVINGAREA_MEDI y APARTMENTS_MEDI tienen una correlación de 0.9158. Esto sugiere que los tamaños de áreas habitables y apartamentos suelen estar alineados.La alta correlación entre estas áreas y otras variables estructurales puede indicar que las características de tamaño y espacio tienen un comportamiento consistente en los registros, algo que es útil para el análisis de propiedades o evaluaciones.
Total Area vs. Componentes individuales:¶
TOTALAREA_MODE está altamente correlacionado con otras áreas específicas como LIVINGAREA y APARTMENTS, indicando que el área total tiende a ser una combinación directa de estas variables. Por ejemplo, TOTALAREA_MODE y LIVINGAREA_AVG tienen una correlación de 0.9263. Es probable que TOTALAREA_MODE esté estrechamente relacionada con las áreas individuales, por lo que es necesario hacer un estudio para determinar el valor de cada una de estas áreas en el presente análisis.
Posible problema de multicolinealidad:¶
La alta correlación entre estas variables genera un problema conocido como multicolinealidad. Esto significa que las variables están tan estrechamente relacionadas que es difícil determinar el efecto único de cada una sobre la variable dependiente en un modelo de regresión. Para resolver este problema, se pueden aplicar técnicas como el Análisis de Componentes Principales (PCA) o eliminar algunas de las variables altamente correlacionadas.
Por último, decidimos en esta primera iteración, no eliminar correlaciones. Sin embargo, si al final se aplica algún algoritmo que lo requiera, se eliminarán las correlaciones correspondientes.
Tratamiento de valores nulos¶
En este apartado se van a considerar las siguientes preguntas ¿Son todos los nulos de una clase de la variable objetivo? o ¿Tienen el mismo porcentaje de la variable objetivo?
list_var_continuous
['COMMONAREA_MEDI', 'COMMONAREA_AVG', 'COMMONAREA_MODE', 'NONLIVINGAPARTMENTS_MODE', 'NONLIVINGAPARTMENTS_AVG', 'NONLIVINGAPARTMENTS_MEDI', 'LIVINGAPARTMENTS_MODE', 'LIVINGAPARTMENTS_AVG', 'LIVINGAPARTMENTS_MEDI', 'FLOORSMIN_AVG', 'FLOORSMIN_MODE', 'FLOORSMIN_MEDI', 'YEARS_BUILD_MEDI', 'YEARS_BUILD_MODE', 'YEARS_BUILD_AVG', 'OWN_CAR_AGE', 'LANDAREA_MEDI', 'LANDAREA_MODE', 'LANDAREA_AVG', 'BASEMENTAREA_MEDI', 'BASEMENTAREA_AVG', 'BASEMENTAREA_MODE', 'EXT_SOURCE_1', 'NONLIVINGAREA_MODE', 'NONLIVINGAREA_AVG', 'NONLIVINGAREA_MEDI', 'ELEVATORS_MEDI', 'ELEVATORS_AVG', 'ELEVATORS_MODE', 'APARTMENTS_MEDI', 'APARTMENTS_AVG', 'APARTMENTS_MODE', 'ENTRANCES_MEDI', 'ENTRANCES_AVG', 'ENTRANCES_MODE', 'LIVINGAREA_AVG', 'LIVINGAREA_MODE', 'LIVINGAREA_MEDI', 'FLOORSMAX_MODE', 'FLOORSMAX_MEDI', 'FLOORSMAX_AVG', 'YEARS_BEGINEXPLUATATION_MODE', 'YEARS_BEGINEXPLUATATION_MEDI', 'YEARS_BEGINEXPLUATATION_AVG', 'TOTALAREA_MODE', 'EXT_SOURCE_3', 'AMT_REQ_CREDIT_BUREAU_HOUR', 'AMT_REQ_CREDIT_BUREAU_DAY', 'AMT_REQ_CREDIT_BUREAU_WEEK', 'AMT_REQ_CREDIT_BUREAU_MON', 'AMT_REQ_CREDIT_BUREAU_QRT', 'AMT_REQ_CREDIT_BUREAU_YEAR', 'OBS_30_CNT_SOCIAL_CIRCLE', 'DEF_30_CNT_SOCIAL_CIRCLE', 'OBS_60_CNT_SOCIAL_CIRCLE', 'DEF_60_CNT_SOCIAL_CIRCLE', 'EXT_SOURCE_2', 'AMT_GOODS_PRICE', 'AMT_ANNUITY', 'CNT_FAM_MEMBERS', 'DAYS_LAST_PHONE_CHANGE', 'AMT_CREDIT', 'AMT_INCOME_TOTAL', 'DAYS_REGISTRATION', 'REGION_POPULATION_RELATIVE']
f_aux.get_percent_null_values_target(df_application_train, list_var_continuous, target='TARGET')
| 0.0 | 1.0 | variable | sum_null_values | porcentaje_sum_null_values | |
|---|---|---|---|---|---|
| 0 | 0.914444 | 0.085556 | COMMONAREA_MEDI | 172239 | 0.700136 |
| 1 | 0.914444 | 0.085556 | COMMONAREA_AVG | 172239 | 0.700136 |
| 2 | 0.914444 | 0.085556 | COMMONAREA_MODE | 172239 | 0.700136 |
| 3 | 0.914329 | 0.085671 | NONLIVINGAPARTMENTS_MODE | 171119 | 0.695583 |
| 4 | 0.914329 | 0.085671 | NONLIVINGAPARTMENTS_AVG | 171119 | 0.695583 |
| 5 | 0.914329 | 0.085671 | NONLIVINGAPARTMENTS_MEDI | 171119 | 0.695583 |
| 6 | 0.913941 | 0.086059 | LIVINGAPARTMENTS_MODE | 168455 | 0.684754 |
| 7 | 0.913941 | 0.086059 | LIVINGAPARTMENTS_AVG | 168455 | 0.684754 |
| 8 | 0.913941 | 0.086059 | LIVINGAPARTMENTS_MEDI | 168455 | 0.684754 |
| 9 | 0.913856 | 0.086144 | FLOORSMIN_AVG | 167232 | 0.679783 |
| 10 | 0.913856 | 0.086144 | FLOORSMIN_MODE | 167232 | 0.679783 |
| 11 | 0.913856 | 0.086144 | FLOORSMIN_MEDI | 167232 | 0.679783 |
| 12 | 0.913336 | 0.086664 | YEARS_BUILD_MEDI | 163886 | 0.666182 |
| 13 | 0.913336 | 0.086664 | YEARS_BUILD_MODE | 163886 | 0.666182 |
| 14 | 0.913336 | 0.086664 | YEARS_BUILD_AVG | 163886 | 0.666182 |
| 15 | 0.914648 | 0.085352 | OWN_CAR_AGE | 162492 | 0.660515 |
| 16 | 0.912131 | 0.087869 | LANDAREA_MEDI | 146388 | 0.595054 |
| 17 | 0.912131 | 0.087869 | LANDAREA_MODE | 146388 | 0.595054 |
| 18 | 0.912131 | 0.087869 | LANDAREA_AVG | 146388 | 0.595054 |
| 19 | 0.911248 | 0.088752 | BASEMENTAREA_MEDI | 144312 | 0.586615 |
| 20 | 0.911248 | 0.088752 | BASEMENTAREA_AVG | 144312 | 0.586615 |
| 21 | 0.911248 | 0.088752 | BASEMENTAREA_MODE | 144312 | 0.586615 |
| 22 | 0.914680 | 0.085320 | EXT_SOURCE_1 | 138560 | 0.563234 |
| 23 | 0.909920 | 0.090080 | NONLIVINGAREA_MODE | 136057 | 0.553059 |
| 24 | 0.909920 | 0.090080 | NONLIVINGAREA_AVG | 136057 | 0.553059 |
| 25 | 0.909920 | 0.090080 | NONLIVINGAREA_MEDI | 136057 | 0.553059 |
| 26 | 0.909254 | 0.090746 | ELEVATORS_MEDI | 131355 | 0.533946 |
| 27 | 0.909254 | 0.090746 | ELEVATORS_AVG | 131355 | 0.533946 |
| 28 | 0.909254 | 0.090746 | ELEVATORS_MODE | 131355 | 0.533946 |
| 29 | 0.908839 | 0.091161 | APARTMENTS_MEDI | 125098 | 0.508512 |
| 30 | 0.908839 | 0.091161 | APARTMENTS_AVG | 125098 | 0.508512 |
| 31 | 0.908839 | 0.091161 | APARTMENTS_MODE | 125098 | 0.508512 |
| 32 | 0.908527 | 0.091473 | ENTRANCES_MEDI | 124059 | 0.504288 |
| 33 | 0.908527 | 0.091473 | ENTRANCES_AVG | 124059 | 0.504288 |
| 34 | 0.908527 | 0.091473 | ENTRANCES_MODE | 124059 | 0.504288 |
| 35 | 0.908865 | 0.091135 | LIVINGAREA_AVG | 123739 | 0.502988 |
| 36 | 0.908865 | 0.091135 | LIVINGAREA_MODE | 123739 | 0.502988 |
| 37 | 0.908865 | 0.091135 | LIVINGAREA_MEDI | 123739 | 0.502988 |
| 38 | 0.908445 | 0.091555 | FLOORSMAX_MODE | 122647 | 0.498549 |
| 39 | 0.908445 | 0.091555 | FLOORSMAX_MEDI | 122647 | 0.498549 |
| 40 | 0.908445 | 0.091555 | FLOORSMAX_AVG | 122647 | 0.498549 |
| 41 | 0.908302 | 0.091698 | YEARS_BEGINEXPLUATATION_MODE | 120254 | 0.488822 |
| 42 | 0.908302 | 0.091698 | YEARS_BEGINEXPLUATATION_MEDI | 120254 | 0.488822 |
| 43 | 0.908302 | 0.091698 | YEARS_BEGINEXPLUATATION_AVG | 120254 | 0.488822 |
| 44 | 0.908066 | 0.091934 | TOTALAREA_MODE | 118987 | 0.483671 |
| 45 | 0.906547 | 0.093453 | EXT_SOURCE_3 | 48784 | 0.198302 |
| 46 | 0.896163 | 0.103837 | AMT_REQ_CREDIT_BUREAU_HOUR | 33206 | 0.134979 |
| 47 | 0.896163 | 0.103837 | AMT_REQ_CREDIT_BUREAU_DAY | 33206 | 0.134979 |
| 48 | 0.896163 | 0.103837 | AMT_REQ_CREDIT_BUREAU_WEEK | 33206 | 0.134979 |
| 49 | 0.896163 | 0.103837 | AMT_REQ_CREDIT_BUREAU_MON | 33206 | 0.134979 |
| 50 | 0.896163 | 0.103837 | AMT_REQ_CREDIT_BUREAU_QRT | 33206 | 0.134979 |
| 51 | 0.896163 | 0.103837 | AMT_REQ_CREDIT_BUREAU_YEAR | 33206 | 0.134979 |
| 52 | 0.964461 | 0.035539 | OBS_30_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| 53 | 0.964461 | 0.035539 | DEF_30_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| 54 | 0.964461 | 0.035539 | OBS_60_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| 55 | 0.964461 | 0.035539 | DEF_60_CNT_SOCIAL_CIRCLE | 816 | 0.003317 |
| 56 | 0.925512 | 0.074488 | EXT_SOURCE_2 | 537 | 0.002183 |
| 57 | 0.917808 | 0.082192 | AMT_GOODS_PRICE | 219 | 0.000890 |
| 58 | 1.000000 | 0.000000 | AMT_ANNUITY | 8 | 0.000033 |
| 59 | 1.000000 | 0.000000 | CNT_FAM_MEMBERS | 1 | 0.000004 |
| 60 | 1.000000 | 0.000000 | DAYS_LAST_PHONE_CHANGE | 1 | 0.000004 |
Técnicas para tratamiento de valores nulos¶
Cuando se enfrenta a la presencia de valores nulos en un conjunto de datos y no se tiene mucho contexto sobre las variables, se pueden considerar diferentes técnicas para manejarlos. A continuación se presentan varias opciones y sus explicaciones:
Opción 0:¶
Algoritmos que Aceptan Valores Nulos Algunos algoritmos de machine learning pueden manejar de manera directa los valores nulos en su entrada. Esto significa que no es necesario realizar ninguna imputación o eliminación de datos nulos, ya que el algoritmo cuenta con mecanismos internos para tratar con la ausencia de valores.
Opción 1:¶
Eliminar Filas con Valores Nulos Se puede optar por eliminar todas las filas que contienen valores nulos. Esta estrategia es simple y garantiza que solo se utilicen datos completos en el modelo. Sin embargo, no es óptima en conjuntos de datos donde muchas filas tienen valores nulos, ya que podría resultar en la pérdida de una cantidad significativa de información.
Opción 2:¶
Imputación de Valores Nulos Otra opción es imputar los valores nulos utilizando diversas técnicas:
- media
- mediana
- maximo
- minimo
- valores extremos
https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.fillna.html
Decidimos rellenar todas las columnas continuas menos revol_util por el valor -99. De esta manera, se diferencian los outlier del resto de la muestra poninendo un valor muy separado del resto de la variable. Se puede explorar el resultado del modelo utilizando diferentes métodos.
Justificación¶
Rellenar las columnas continuas con un valor como -99 puede ser una estrategia efectiva para tratar los valores nulos, especialmente si se desea diferenciar claramente estos valores de los datos válidos. Aquí están algunas justificaciones y consideraciones para esta técnica:
Diferenciación Clara de Valores Nulos: Al usar un valor extremo como -99, se asegura que los valores nulos sean claramente distinguibles del resto de los datos. Esto es particularmente útil en el preprocesamiento y en la fase de modelado, ya que los modelos pueden identificar fácilmente estos valores como especiales.
Mantener la Completa Información del Conjunto de Datos: Esta técnica permite mantener todas las filas en el conjunto de datos, evitando la pérdida de información que podría ocurrir si se eliminan filas con valores nulos. Esto es crucial cuando se tiene un conjunto de datos limitado o cuando los valores nulos están distribuidos de manera significativa en el dataset.
Flexibilidad para Modelos de Machine Learning: Muchos algoritmos de machine learning pueden manejar valores extremos de manera eficiente y, en algunos casos, pueden interpretar estos valores como indicadores adicionales. Esto puede ayudar a los modelos a aprender patrones adicionales sobre los datos.
Simplificación del Preprocesamiento: Imputar todos los valores continuos nulos con un valor constante como -99 simplifica el proceso de preprocesamiento, haciéndolo más rápido y menos propenso a errores.
ostremos
# Verificar valores nulos y su proporción
null_summary = df_application_train[list_var_continuous].isnull().mean().sort_values(ascending=False)
print(null_summary)
# Visualizar la distribución de los valores nulos
plt.figure(figsize=(12, 8))
sns.heatmap(df_application_train[list_var_continuous].isnull(), cbar=False, cmap='viridis')
plt.title('Mapa de Calor de Valores Nulos en Variables Continuas')
plt.show()
COMMONAREA_MEDI 0.700136 COMMONAREA_MODE 0.700136 COMMONAREA_AVG 0.700136 NONLIVINGAPARTMENTS_MODE 0.695583 NONLIVINGAPARTMENTS_MEDI 0.695583 NONLIVINGAPARTMENTS_AVG 0.695583 LIVINGAPARTMENTS_MODE 0.684754 LIVINGAPARTMENTS_AVG 0.684754 LIVINGAPARTMENTS_MEDI 0.684754 FLOORSMIN_AVG 0.679783 FLOORSMIN_MODE 0.679783 FLOORSMIN_MEDI 0.679783 YEARS_BUILD_MEDI 0.666182 YEARS_BUILD_MODE 0.666182 YEARS_BUILD_AVG 0.666182 OWN_CAR_AGE 0.660515 LANDAREA_MODE 0.595054 LANDAREA_AVG 0.595054 LANDAREA_MEDI 0.595054 BASEMENTAREA_MEDI 0.586615 BASEMENTAREA_AVG 0.586615 BASEMENTAREA_MODE 0.586615 EXT_SOURCE_1 0.563234 NONLIVINGAREA_MODE 0.553059 NONLIVINGAREA_AVG 0.553059 NONLIVINGAREA_MEDI 0.553059 ELEVATORS_MEDI 0.533946 ELEVATORS_AVG 0.533946 ELEVATORS_MODE 0.533946 APARTMENTS_MEDI 0.508512 APARTMENTS_AVG 0.508512 APARTMENTS_MODE 0.508512 ENTRANCES_MODE 0.504288 ENTRANCES_MEDI 0.504288 ENTRANCES_AVG 0.504288 LIVINGAREA_AVG 0.502988 LIVINGAREA_MODE 0.502988 LIVINGAREA_MEDI 0.502988 FLOORSMAX_MODE 0.498549 FLOORSMAX_MEDI 0.498549 FLOORSMAX_AVG 0.498549 YEARS_BEGINEXPLUATATION_MODE 0.488822 YEARS_BEGINEXPLUATATION_MEDI 0.488822 YEARS_BEGINEXPLUATATION_AVG 0.488822 TOTALAREA_MODE 0.483671 EXT_SOURCE_3 0.198302 AMT_REQ_CREDIT_BUREAU_YEAR 0.134979 AMT_REQ_CREDIT_BUREAU_QRT 0.134979 AMT_REQ_CREDIT_BUREAU_MON 0.134979 AMT_REQ_CREDIT_BUREAU_WEEK 0.134979 AMT_REQ_CREDIT_BUREAU_DAY 0.134979 AMT_REQ_CREDIT_BUREAU_HOUR 0.134979 OBS_30_CNT_SOCIAL_CIRCLE 0.003317 DEF_30_CNT_SOCIAL_CIRCLE 0.003317 OBS_60_CNT_SOCIAL_CIRCLE 0.003317 DEF_60_CNT_SOCIAL_CIRCLE 0.003317 EXT_SOURCE_2 0.002183 AMT_GOODS_PRICE 0.000890 AMT_ANNUITY 0.000033 CNT_FAM_MEMBERS 0.000004 DAYS_LAST_PHONE_CHANGE 0.000004 AMT_CREDIT 0.000000 AMT_INCOME_TOTAL 0.000000 DAYS_REGISTRATION 0.000000 REGION_POPULATION_RELATIVE 0.000000 dtype: float64
# Suponiendo que df_application_train y df_application_test son tus DataFrames originales
df_application_input_train = df_application_train.copy()
df_application_input_test = df_application_test.copy()
# Definir la lista de variables continuas excluyendo la variable objetivo
list_var_continuous = [col for col in df_application_input_train.columns if df_application_input_train[col].dtype in ['float64', 'int64'] and col != 'TARGET']
# Definir las columnas que no deben ser tocadas (protegidas)
protected_columns = ['OWN_CAR_AGE', 'EXT_SOURCE_1', 'EXT_SOURCE_2', 'EXT_SOURCE_3',
'OBS_30_CNT_SOCIAL_CIRCLE', 'DEF_30_CNT_SOCIAL_CIRCLE',
'OBS_60_CNT_SOCIAL_CIRCLE', 'DEF_60_CNT_SOCIAL_CIRCLE']
# Excluir estas columnas de la lista de imputación
list_vars_to_impute = [col for col in list_var_continuous if col not in protected_columns]
# Imputar valores nulos con -99 en las variables seleccionadas
df_application_input_train[list_vars_to_impute] = df_application_input_train[list_vars_to_impute].fillna(-99)
df_application_input_test[list_vars_to_impute] = df_application_input_test[list_vars_to_impute].fillna(-99)
# Verificar los resultados
print("Valores nulos en las columnas seleccionadas del conjunto de entrenamiento:")
print(df_application_input_train[list_vars_to_impute].isnull().sum())
print("Valores nulos en las columnas seleccionadas del conjunto de prueba:")
print(df_application_input_test[list_vars_to_impute].isnull().sum())
Valores nulos en las columnas seleccionadas del conjunto de entrenamiento: COMMONAREA_MEDI 0 COMMONAREA_AVG 0 COMMONAREA_MODE 0 NONLIVINGAPARTMENTS_MODE 0 NONLIVINGAPARTMENTS_AVG 0 NONLIVINGAPARTMENTS_MEDI 0 LIVINGAPARTMENTS_MODE 0 LIVINGAPARTMENTS_AVG 0 LIVINGAPARTMENTS_MEDI 0 FLOORSMIN_AVG 0 FLOORSMIN_MODE 0 FLOORSMIN_MEDI 0 YEARS_BUILD_MEDI 0 YEARS_BUILD_MODE 0 YEARS_BUILD_AVG 0 LANDAREA_MEDI 0 LANDAREA_MODE 0 LANDAREA_AVG 0 BASEMENTAREA_MEDI 0 BASEMENTAREA_AVG 0 BASEMENTAREA_MODE 0 NONLIVINGAREA_MODE 0 NONLIVINGAREA_AVG 0 NONLIVINGAREA_MEDI 0 ELEVATORS_MEDI 0 ELEVATORS_AVG 0 ELEVATORS_MODE 0 APARTMENTS_MEDI 0 APARTMENTS_AVG 0 APARTMENTS_MODE 0 ENTRANCES_MEDI 0 ENTRANCES_AVG 0 ENTRANCES_MODE 0 LIVINGAREA_AVG 0 LIVINGAREA_MODE 0 LIVINGAREA_MEDI 0 FLOORSMAX_MODE 0 FLOORSMAX_MEDI 0 FLOORSMAX_AVG 0 YEARS_BEGINEXPLUATATION_MODE 0 YEARS_BEGINEXPLUATATION_MEDI 0 YEARS_BEGINEXPLUATATION_AVG 0 TOTALAREA_MODE 0 AMT_REQ_CREDIT_BUREAU_HOUR 0 AMT_REQ_CREDIT_BUREAU_DAY 0 AMT_REQ_CREDIT_BUREAU_WEEK 0 AMT_REQ_CREDIT_BUREAU_MON 0 AMT_REQ_CREDIT_BUREAU_QRT 0 AMT_REQ_CREDIT_BUREAU_YEAR 0 AMT_GOODS_PRICE 0 AMT_ANNUITY 0 CNT_FAM_MEMBERS 0 DAYS_LAST_PHONE_CHANGE 0 AMT_CREDIT 0 AMT_INCOME_TOTAL 0 DAYS_ID_PUBLISH 0 DAYS_REGISTRATION 0 DAYS_EMPLOYED 0 DAYS_BIRTH 0 REGION_POPULATION_RELATIVE 0 SK_ID_CURR 0 dtype: int64 Valores nulos en las columnas seleccionadas del conjunto de prueba: COMMONAREA_MEDI 0 COMMONAREA_AVG 0 COMMONAREA_MODE 0 NONLIVINGAPARTMENTS_MODE 0 NONLIVINGAPARTMENTS_AVG 0 NONLIVINGAPARTMENTS_MEDI 0 LIVINGAPARTMENTS_MODE 0 LIVINGAPARTMENTS_AVG 0 LIVINGAPARTMENTS_MEDI 0 FLOORSMIN_AVG 0 FLOORSMIN_MODE 0 FLOORSMIN_MEDI 0 YEARS_BUILD_MEDI 0 YEARS_BUILD_MODE 0 YEARS_BUILD_AVG 0 LANDAREA_MEDI 0 LANDAREA_MODE 0 LANDAREA_AVG 0 BASEMENTAREA_MEDI 0 BASEMENTAREA_AVG 0 BASEMENTAREA_MODE 0 NONLIVINGAREA_MODE 0 NONLIVINGAREA_AVG 0 NONLIVINGAREA_MEDI 0 ELEVATORS_MEDI 0 ELEVATORS_AVG 0 ELEVATORS_MODE 0 APARTMENTS_MEDI 0 APARTMENTS_AVG 0 APARTMENTS_MODE 0 ENTRANCES_MEDI 0 ENTRANCES_AVG 0 ENTRANCES_MODE 0 LIVINGAREA_AVG 0 LIVINGAREA_MODE 0 LIVINGAREA_MEDI 0 FLOORSMAX_MODE 0 FLOORSMAX_MEDI 0 FLOORSMAX_AVG 0 YEARS_BEGINEXPLUATATION_MODE 0 YEARS_BEGINEXPLUATATION_MEDI 0 YEARS_BEGINEXPLUATATION_AVG 0 TOTALAREA_MODE 0 AMT_REQ_CREDIT_BUREAU_HOUR 0 AMT_REQ_CREDIT_BUREAU_DAY 0 AMT_REQ_CREDIT_BUREAU_WEEK 0 AMT_REQ_CREDIT_BUREAU_MON 0 AMT_REQ_CREDIT_BUREAU_QRT 0 AMT_REQ_CREDIT_BUREAU_YEAR 0 AMT_GOODS_PRICE 0 AMT_ANNUITY 0 CNT_FAM_MEMBERS 0 DAYS_LAST_PHONE_CHANGE 0 AMT_CREDIT 0 AMT_INCOME_TOTAL 0 DAYS_ID_PUBLISH 0 DAYS_REGISTRATION 0 DAYS_EMPLOYED 0 DAYS_BIRTH 0 REGION_POPULATION_RELATIVE 0 SK_ID_CURR 0 dtype: int64
list_vars_to_impute
['COMMONAREA_MEDI', 'COMMONAREA_AVG', 'COMMONAREA_MODE', 'NONLIVINGAPARTMENTS_MODE', 'NONLIVINGAPARTMENTS_AVG', 'NONLIVINGAPARTMENTS_MEDI', 'LIVINGAPARTMENTS_MODE', 'LIVINGAPARTMENTS_AVG', 'LIVINGAPARTMENTS_MEDI', 'FLOORSMIN_AVG', 'FLOORSMIN_MODE', 'FLOORSMIN_MEDI', 'YEARS_BUILD_MEDI', 'YEARS_BUILD_MODE', 'YEARS_BUILD_AVG', 'LANDAREA_MEDI', 'LANDAREA_MODE', 'LANDAREA_AVG', 'BASEMENTAREA_MEDI', 'BASEMENTAREA_AVG', 'BASEMENTAREA_MODE', 'NONLIVINGAREA_MODE', 'NONLIVINGAREA_AVG', 'NONLIVINGAREA_MEDI', 'ELEVATORS_MEDI', 'ELEVATORS_AVG', 'ELEVATORS_MODE', 'APARTMENTS_MEDI', 'APARTMENTS_AVG', 'APARTMENTS_MODE', 'ENTRANCES_MEDI', 'ENTRANCES_AVG', 'ENTRANCES_MODE', 'LIVINGAREA_AVG', 'LIVINGAREA_MODE', 'LIVINGAREA_MEDI', 'FLOORSMAX_MODE', 'FLOORSMAX_MEDI', 'FLOORSMAX_AVG', 'YEARS_BEGINEXPLUATATION_MODE', 'YEARS_BEGINEXPLUATATION_MEDI', 'YEARS_BEGINEXPLUATATION_AVG', 'TOTALAREA_MODE', 'AMT_REQ_CREDIT_BUREAU_HOUR', 'AMT_REQ_CREDIT_BUREAU_DAY', 'AMT_REQ_CREDIT_BUREAU_WEEK', 'AMT_REQ_CREDIT_BUREAU_MON', 'AMT_REQ_CREDIT_BUREAU_QRT', 'AMT_REQ_CREDIT_BUREAU_YEAR', 'AMT_GOODS_PRICE', 'AMT_ANNUITY', 'CNT_FAM_MEMBERS', 'DAYS_LAST_PHONE_CHANGE', 'AMT_CREDIT', 'AMT_INCOME_TOTAL', 'DAYS_ID_PUBLISH', 'DAYS_REGISTRATION', 'DAYS_EMPLOYED', 'DAYS_BIRTH', 'REGION_POPULATION_RELATIVE', 'SK_ID_CURR']
print(df_application_train.columns)
Index(['COMMONAREA_MEDI', 'COMMONAREA_AVG', 'COMMONAREA_MODE',
'NONLIVINGAPARTMENTS_MODE', 'NONLIVINGAPARTMENTS_AVG',
'NONLIVINGAPARTMENTS_MEDI', 'FONDKAPREMONT_MODE',
'LIVINGAPARTMENTS_MODE', 'LIVINGAPARTMENTS_AVG',
'LIVINGAPARTMENTS_MEDI',
...
'DAYS_REGISTRATION', 'DAYS_EMPLOYED', 'DAYS_BIRTH',
'REGION_POPULATION_RELATIVE', 'NAME_HOUSING_TYPE', 'NAME_FAMILY_STATUS',
'NAME_EDUCATION_TYPE', 'NAME_INCOME_TYPE', 'SK_ID_CURR', 'TARGET'],
dtype='object', length=122)
print(df_application_test.columns)
Index(['COMMONAREA_MEDI', 'COMMONAREA_AVG', 'COMMONAREA_MODE',
'NONLIVINGAPARTMENTS_MODE', 'NONLIVINGAPARTMENTS_AVG',
'NONLIVINGAPARTMENTS_MEDI', 'FONDKAPREMONT_MODE',
'LIVINGAPARTMENTS_MODE', 'LIVINGAPARTMENTS_AVG',
'LIVINGAPARTMENTS_MEDI',
...
'DAYS_REGISTRATION', 'DAYS_EMPLOYED', 'DAYS_BIRTH',
'REGION_POPULATION_RELATIVE', 'NAME_HOUSING_TYPE', 'NAME_FAMILY_STATUS',
'NAME_EDUCATION_TYPE', 'NAME_INCOME_TYPE', 'SK_ID_CURR', 'TARGET'],
dtype='object', length=122)
¿Por qué imputar en ambos conjuntos (train y test)?¶
Coherencia de Datos: Si imputas valores nulos en el conjunto de entrenamiento pero no en el de prueba, puedes introducir inconsistencias entre los dos conjuntos, lo que podría afectar la performance del modelo. La idea es que ambos conjuntos de datos deben pasar por el mismo proceso de preprocesamiento para asegurar que las distribuciones de datos sean coherentes.
Mismas Transformaciones: Las mismas transformaciones que aplicas al conjunto de entrenamiento deben aplicarse al conjunto de prueba para que el modelo pueda hacer predicciones correctamente. Esto incluye cualquier tipo de escalado, imputación, codificación de variables, etc.
- Tratamiento de las variables categoricas¶
Para calcular la correlación de Spearman, es imprescindible convertir las variables categóricas en numéricas. Esta conversión permite medir la relación entre estas variables mediante coeficientes de correlación.
En primer lugar, se aplicará el coeficiente V de Cramer. Este método es útil para evaluar la asociación entre variables categóricas y permite una mejor comprensión de las interdependencias en el conjunto de datos. Para más detalles sobre la implementación de este método, puedes consultar este recurso en: https://stackoverflow.com/questions/46498455/categorical-features-correlation
Esta aproximación garantiza que las variables categóricas sean adecuadamente preprocesadas para su análisis y posterior utilización en modelos predictivos.
list_var_cat
['FONDKAPREMONT_MODE', 'WALLSMATERIAL_MODE', 'HOUSETYPE_MODE', 'EMERGENCYSTATE_MODE', 'OCCUPATION_TYPE', 'NAME_TYPE_SUITE', 'CNT_CHILDREN', 'FLAG_DOCUMENT_8', 'NAME_CONTRACT_TYPE', 'CODE_GENDER', 'FLAG_OWN_CAR', 'FLAG_DOCUMENT_2', 'FLAG_DOCUMENT_3', 'FLAG_DOCUMENT_4', 'FLAG_DOCUMENT_5', 'FLAG_DOCUMENT_6', 'FLAG_DOCUMENT_7', 'FLAG_DOCUMENT_9', 'FLAG_DOCUMENT_21', 'FLAG_DOCUMENT_10', 'FLAG_DOCUMENT_11', 'FLAG_OWN_REALTY', 'FLAG_DOCUMENT_13', 'FLAG_DOCUMENT_14', 'FLAG_DOCUMENT_15', 'FLAG_DOCUMENT_16', 'FLAG_DOCUMENT_17', 'FLAG_DOCUMENT_18', 'FLAG_DOCUMENT_19', 'FLAG_DOCUMENT_20', 'FLAG_DOCUMENT_12', 'FLAG_PHONE', 'LIVE_CITY_NOT_WORK_CITY', 'REG_CITY_NOT_WORK_CITY', 'TARGET', 'REG_CITY_NOT_LIVE_CITY', 'LIVE_REGION_NOT_WORK_REGION', 'REG_REGION_NOT_WORK_REGION', 'REG_REGION_NOT_LIVE_REGION', 'HOUR_APPR_PROCESS_START', 'WEEKDAY_APPR_PROCESS_START', 'REGION_RATING_CLIENT_W_CITY', 'REGION_RATING_CLIENT', 'FLAG_EMAIL', 'FLAG_CONT_MOBILE', 'ORGANIZATION_TYPE', 'FLAG_WORK_PHONE', 'FLAG_EMP_PHONE', 'FLAG_MOBIL', 'NAME_HOUSING_TYPE', 'NAME_FAMILY_STATUS', 'NAME_EDUCATION_TYPE', 'NAME_INCOME_TYPE']
Coeficiente V de Cramer¶
def cramers_v(x, y):
""" Calcular el coeficiente V de Cramer para la asociación entre dos variables categóricas """
# Remover valores nulos
x = x.dropna()
y = y.dropna()
# Solo calcular si ambas variables tienen datos
if x.empty or y.empty:
return np.nan
confusion_matrix = pd.crosstab(x, y)
if confusion_matrix.shape[0] == 1 or confusion_matrix.shape[1] == 1:
return np.nan
chi2 = chi2_contingency(confusion_matrix)[0]
n = confusion_matrix.sum().sum()
return np.sqrt(chi2 / (n * (min(confusion_matrix.shape) - 1)))
# Calcular V de Cramer por lotes de 2 en 2
lote_size = 2
for i in range(0, len(list_var_cat), lote_size):
current_vars = list_var_cat[i:i + lote_size]
cramers_v_matrix = pd.DataFrame(index=current_vars, columns=current_vars)
for var1 in current_vars:
for var2 in current_vars:
if var1 == var2:
cramers_v_matrix.loc[var1, var2] = 1.0
else:
# Combinar los datos y eliminar filas con NaN
combined = pd.concat([df_application_input_train[var1], df_application_input_train[var2]], axis=1).dropna()
if combined.empty or combined[var1].nunique() < 2 or combined[var2].nunique() < 2:
cramers_v_matrix.loc[var1, var2] = np.nan
else:
cramers_v_matrix.loc[var1, var2] = cramers_v(combined[var1], combined[var2])
# Convertir a tipo numérico
cramers_v_matrix = cramers_v_matrix.astype(float)
# Visualizar la matriz del lote actual
print(f"Matriz de V de Cramer para el lote {i // lote_size + 1}:")
print(cramers_v_matrix)
Matriz de V de Cramer para el lote 1:
FONDKAPREMONT_MODE WALLSMATERIAL_MODE
FONDKAPREMONT_MODE 1.00000 0.10907
WALLSMATERIAL_MODE 0.10907 1.00000
Matriz de V de Cramer para el lote 2:
HOUSETYPE_MODE EMERGENCYSTATE_MODE
HOUSETYPE_MODE 1.000000 0.036645
EMERGENCYSTATE_MODE 0.036645 1.000000
Matriz de V de Cramer para el lote 3:
OCCUPATION_TYPE NAME_TYPE_SUITE
OCCUPATION_TYPE 1.000000 0.024306
NAME_TYPE_SUITE 0.024306 1.000000
Matriz de V de Cramer para el lote 4:
CNT_CHILDREN FLAG_DOCUMENT_8
CNT_CHILDREN 1.000000 0.058121
FLAG_DOCUMENT_8 0.058121 1.000000
Matriz de V de Cramer para el lote 5:
NAME_CONTRACT_TYPE CODE_GENDER
NAME_CONTRACT_TYPE 1.000000 0.014459
CODE_GENDER 0.014459 1.000000
Matriz de V de Cramer para el lote 6:
FLAG_OWN_CAR FLAG_DOCUMENT_2
FLAG_OWN_CAR 1.000000 0.000141
FLAG_DOCUMENT_2 0.000141 1.000000
Matriz de V de Cramer para el lote 7:
FLAG_DOCUMENT_3 FLAG_DOCUMENT_4
FLAG_DOCUMENT_3 1.000000 0.013614
FLAG_DOCUMENT_4 0.013614 1.000000
Matriz de V de Cramer para el lote 8:
FLAG_DOCUMENT_5 FLAG_DOCUMENT_6
FLAG_DOCUMENT_5 1.000000 0.038315
FLAG_DOCUMENT_6 0.038315 1.000000
Matriz de V de Cramer para el lote 9:
FLAG_DOCUMENT_7 FLAG_DOCUMENT_9
FLAG_DOCUMENT_7 1.0 0.0
FLAG_DOCUMENT_9 0.0 1.0
Matriz de V de Cramer para el lote 10:
FLAG_DOCUMENT_21 FLAG_DOCUMENT_10
FLAG_DOCUMENT_21 1.0 0.0
FLAG_DOCUMENT_10 0.0 1.0
Matriz de V de Cramer para el lote 11:
FLAG_DOCUMENT_11 FLAG_OWN_REALTY
FLAG_DOCUMENT_11 1.000000 0.033097
FLAG_OWN_REALTY 0.033097 1.000000
Matriz de V de Cramer para el lote 12:
FLAG_DOCUMENT_13 FLAG_DOCUMENT_14
FLAG_DOCUMENT_13 1.000000 0.002598
FLAG_DOCUMENT_14 0.002598 1.000000
Matriz de V de Cramer para el lote 13:
FLAG_DOCUMENT_15 FLAG_DOCUMENT_16
FLAG_DOCUMENT_15 1.000000 0.002872
FLAG_DOCUMENT_16 0.002872 1.000000
Matriz de V de Cramer para el lote 14:
FLAG_DOCUMENT_17 FLAG_DOCUMENT_18
FLAG_DOCUMENT_17 1.000000 0.000088
FLAG_DOCUMENT_18 0.000088 1.000000
Matriz de V de Cramer para el lote 15:
FLAG_DOCUMENT_19 FLAG_DOCUMENT_20
FLAG_DOCUMENT_19 1.000000 0.038168
FLAG_DOCUMENT_20 0.038168 1.000000
Matriz de V de Cramer para el lote 16:
FLAG_DOCUMENT_12 FLAG_PHONE
FLAG_DOCUMENT_12 1.000000 0.000196
FLAG_PHONE 0.000196 1.000000
Matriz de V de Cramer para el lote 17:
LIVE_CITY_NOT_WORK_CITY REG_CITY_NOT_WORK_CITY
LIVE_CITY_NOT_WORK_CITY 1.000000 0.825563
REG_CITY_NOT_WORK_CITY 0.825563 1.000000
Matriz de V de Cramer para el lote 18:
TARGET REG_CITY_NOT_LIVE_CITY
TARGET 1.000000 0.043862
REG_CITY_NOT_LIVE_CITY 0.043862 1.000000
Matriz de V de Cramer para el lote 19:
LIVE_REGION_NOT_WORK_REGION \
LIVE_REGION_NOT_WORK_REGION 1.000000
REG_REGION_NOT_WORK_REGION 0.862185
REG_REGION_NOT_WORK_REGION
LIVE_REGION_NOT_WORK_REGION 0.862185
REG_REGION_NOT_WORK_REGION 1.000000
Matriz de V de Cramer para el lote 20:
REG_REGION_NOT_LIVE_REGION \
REG_REGION_NOT_LIVE_REGION 1.000000
HOUR_APPR_PROCESS_START 0.062793
HOUR_APPR_PROCESS_START
REG_REGION_NOT_LIVE_REGION 0.062793
HOUR_APPR_PROCESS_START 1.000000
Matriz de V de Cramer para el lote 21:
WEEKDAY_APPR_PROCESS_START \
WEEKDAY_APPR_PROCESS_START 1.000000
REGION_RATING_CLIENT_W_CITY 0.018289
REGION_RATING_CLIENT_W_CITY
WEEKDAY_APPR_PROCESS_START 0.018289
REGION_RATING_CLIENT_W_CITY 1.000000
Matriz de V de Cramer para el lote 22:
REGION_RATING_CLIENT FLAG_EMAIL
REGION_RATING_CLIENT 1.000000 0.066095
FLAG_EMAIL 0.066095 1.000000
Matriz de V de Cramer para el lote 23:
FLAG_CONT_MOBILE ORGANIZATION_TYPE
FLAG_CONT_MOBILE 1.000000 0.025799
ORGANIZATION_TYPE 0.025799 1.000000
Matriz de V de Cramer para el lote 24:
FLAG_WORK_PHONE FLAG_EMP_PHONE
FLAG_WORK_PHONE 1.000000 0.234059
FLAG_EMP_PHONE 0.234059 1.000000
Matriz de V de Cramer para el lote 25:
FLAG_MOBIL NAME_HOUSING_TYPE
FLAG_MOBIL 1.000000 0.000717
NAME_HOUSING_TYPE 0.000717 1.000000
Matriz de V de Cramer para el lote 26:
NAME_FAMILY_STATUS NAME_EDUCATION_TYPE
NAME_FAMILY_STATUS 1.000000 0.053392
NAME_EDUCATION_TYPE 0.053392 1.000000
Matriz de V de Cramer para el lote 27:
NAME_INCOME_TYPE
NAME_INCOME_TYPE 1.0
Principales resultados:¶
Relación entre Variables Categóricas: A partir de los cálculos del coeficiente V de Cramer, se puede observar que la mayoría de las asociaciones entre variables categóricas son bastante débiles, con coeficientes generalmente bajos, como por ejemplo, HOUSETYPE_MODE y EMERGENCYSTATE_MODE con un valor de 0.027768. Esto sugiere que no hay una fuerte relación entre muchas de las variables categóricas en el conjunto de datos, lo cual puede ser interpretado como una indicación de independencia entre estas variables.
Identificación de Relaciones Significativas: Sin embargo, algunas combinaciones muestran una asociación más fuerte, como LIVE_CITY_NOT_WORK_CITY y REG_CITY_NOT_WORK_CITY con un coeficiente de 0.824673, lo que indica una relación significativa entre estas variables. Este resultado es lógico, ya que es probable que las personas que viven en la misma ciudad en la que trabajan también registren su residencia en esa ciudad. Otro ejemplo es LIVE_REGION_NOT_WORK_REGION y REG_REGION_NOT_WORK_REGION con un valor de 0.860262, lo que refuerza la importancia de considerar estas asociaciones durante el análisis y modelado.
# Mostrar los primeros valores de las columnas categóricas
for col in list_var_cat:
print(f"Valores únicos en la columna '{col}':")
print(df_application_input_train[col].unique())
print("\n")
Valores únicos en la columna 'FONDKAPREMONT_MODE': ['reg oper account', NaN, 'reg oper spec account', 'org spec account', 'not specified'] Categories (4, object): ['reg oper account', 'reg oper spec account', 'org spec account', 'not specified'] Valores únicos en la columna 'WALLSMATERIAL_MODE': ['Panel', NaN, 'Stone, brick', 'Others', 'Wooden', 'Mixed', 'Block', 'Monolithic'] Categories (7, object): ['Panel', 'Stone, brick', 'Others', 'Wooden', 'Mixed', 'Block', 'Monolithic'] Valores únicos en la columna 'HOUSETYPE_MODE': ['block of flats', NaN, 'specific housing', 'terraced house'] Categories (3, object): ['block of flats', 'specific housing', 'terraced house'] Valores únicos en la columna 'EMERGENCYSTATE_MODE': ['No', NaN, 'Yes'] Categories (2, object): ['No', 'Yes'] Valores únicos en la columna 'OCCUPATION_TYPE': ['Laborers', NaN, 'Drivers', 'Cleaning staff', 'Sales staff', ..., 'Realty agents', 'Private service staff', 'HR staff', 'IT staff', 'Secretaries'] Length: 19 Categories (18, object): ['Laborers', 'Drivers', 'Cleaning staff', 'Sales staff', ..., 'Private service staff', 'HR staff', 'IT staff', 'Secretaries'] Valores únicos en la columna 'NAME_TYPE_SUITE': ['Unaccompanied', 'Spouse, partner', 'Family', 'Children', 'Other_B', 'Other_A', NaN, 'Group of people'] Categories (7, object): ['Unaccompanied', 'Spouse, partner', 'Family', 'Children', 'Other_B', 'Other_A', 'Group of people'] Valores únicos en la columna 'CNT_CHILDREN': [0, 1, 2, 3, 4, ..., 8, 7, 19, 9, 10] Length: 14 Categories (14, int64): [0, 1, 2, 3, ..., 7, 19, 9, 10] Valores únicos en la columna 'FLAG_DOCUMENT_8': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'NAME_CONTRACT_TYPE': ['Cash loans', 'Revolving loans'] Categories (2, object): ['Cash loans', 'Revolving loans'] Valores únicos en la columna 'CODE_GENDER': ['M', 'F', 'XNA'] Categories (3, object): ['M', 'F', 'XNA'] Valores únicos en la columna 'FLAG_OWN_CAR': ['Y', 'N'] Categories (2, object): ['Y', 'N'] Valores únicos en la columna 'FLAG_DOCUMENT_2': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_3': [1, 0] Categories (2, int64): [1, 0] Valores únicos en la columna 'FLAG_DOCUMENT_4': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_5': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_6': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_7': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_9': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_21': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_10': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_11': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_OWN_REALTY': ['Y', 'N'] Categories (2, object): ['Y', 'N'] Valores únicos en la columna 'FLAG_DOCUMENT_13': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_14': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_15': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_16': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_17': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_18': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_19': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_20': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_DOCUMENT_12': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_PHONE': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'LIVE_CITY_NOT_WORK_CITY': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'REG_CITY_NOT_WORK_CITY': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'TARGET': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'REG_CITY_NOT_LIVE_CITY': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'LIVE_REGION_NOT_WORK_REGION': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'REG_REGION_NOT_WORK_REGION': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'REG_REGION_NOT_LIVE_REGION': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'HOUR_APPR_PROCESS_START': [9, 11, 13, 17, 10, ..., 21, 23, 22, 1, 0] Length: 24 Categories (24, int64): [9, 11, 13, 17, ..., 23, 22, 1, 0] Valores únicos en la columna 'WEEKDAY_APPR_PROCESS_START': ['MONDAY', 'TUESDAY', 'THURSDAY', 'WEDNESDAY', 'FRIDAY', 'SATURDAY', 'SUNDAY'] Categories (7, object): ['MONDAY', 'TUESDAY', 'THURSDAY', 'WEDNESDAY', 'FRIDAY', 'SATURDAY', 'SUNDAY'] Valores únicos en la columna 'REGION_RATING_CLIENT_W_CITY': [2, 3, 1] Categories (3, int64): [2, 3, 1] Valores únicos en la columna 'REGION_RATING_CLIENT': [2, 3, 1] Categories (3, int64): [2, 3, 1] Valores únicos en la columna 'FLAG_EMAIL': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_CONT_MOBILE': [1, 0] Categories (2, int64): [1, 0] Valores únicos en la columna 'ORGANIZATION_TYPE': ['Business Entity Type 3', 'Business Entity Type 1', 'Construction', 'Self-employed', 'XNA', ..., 'Cleaning', 'Industry: type 13', 'Industry: type 6', 'Trade: type 5', 'Religion'] Length: 58 Categories (58, object): ['Business Entity Type 3', 'Business Entity Type 1', 'Construction', 'Self-employed', ..., 'Industry: type 13', 'Industry: type 6', 'Trade: type 5', 'Religion'] Valores únicos en la columna 'FLAG_WORK_PHONE': [0, 1] Categories (2, int64): [0, 1] Valores únicos en la columna 'FLAG_EMP_PHONE': [1, 0] Categories (2, int64): [1, 0] Valores únicos en la columna 'FLAG_MOBIL': [1, 0] Categories (2, int64): [1, 0] Valores únicos en la columna 'NAME_HOUSING_TYPE': ['House / apartment', 'With parents', 'Office apartment', 'Rented apartment', 'Municipal apartment', 'Co-op apartment'] Categories (6, object): ['House / apartment', 'With parents', 'Office apartment', 'Rented apartment', 'Municipal apartment', 'Co-op apartment'] Valores únicos en la columna 'NAME_FAMILY_STATUS': ['Married', 'Single / not married', 'Widow', 'Civil marriage', 'Separated', 'Unknown'] Categories (6, object): ['Married', 'Single / not married', 'Widow', 'Civil marriage', 'Separated', 'Unknown'] Valores únicos en la columna 'NAME_EDUCATION_TYPE': ['Higher education', 'Secondary / secondary special', 'Incomplete higher', 'Lower secondary', 'Academic degree'] Categories (5, object): ['Higher education', 'Secondary / secondary special', 'Incomplete higher', 'Lower secondary', 'Academic degree'] Valores únicos en la columna 'NAME_INCOME_TYPE': ['Commercial associate', 'Working', 'Pensioner', 'State servant', 'Student', 'Businessman', 'Maternity leave', 'Unemployed'] Categories (8, object): ['Commercial associate', 'Working', 'Pensioner', 'State servant', 'Student', 'Businessman', 'Maternity leave', 'Unemployed']
# Verificar la cantidad de valores nulos en las variables categóricas
print("Valores nulos en las variables categóricas:")
print(df_application_input_train[list_var_cat].isnull().sum())
# Verificar la cantidad de valores no nulos en las variables categóricas
print("Valores no nulos en las variables categóricas:")
print(df_application_input_train[list_var_cat].notnull().sum())
Valores nulos en las variables categóricas: FONDKAPREMONT_MODE 168499 WALLSMATERIAL_MODE 125311 HOUSETYPE_MODE 123650 EMERGENCYSTATE_MODE 116870 OCCUPATION_TYPE 77303 NAME_TYPE_SUITE 1035 CNT_CHILDREN 0 FLAG_DOCUMENT_8 0 NAME_CONTRACT_TYPE 0 CODE_GENDER 0 FLAG_OWN_CAR 0 FLAG_DOCUMENT_2 0 FLAG_DOCUMENT_3 0 FLAG_DOCUMENT_4 0 FLAG_DOCUMENT_5 0 FLAG_DOCUMENT_6 0 FLAG_DOCUMENT_7 0 FLAG_DOCUMENT_9 0 FLAG_DOCUMENT_21 0 FLAG_DOCUMENT_10 0 FLAG_DOCUMENT_11 0 FLAG_OWN_REALTY 0 FLAG_DOCUMENT_13 0 FLAG_DOCUMENT_14 0 FLAG_DOCUMENT_15 0 FLAG_DOCUMENT_16 0 FLAG_DOCUMENT_17 0 FLAG_DOCUMENT_18 0 FLAG_DOCUMENT_19 0 FLAG_DOCUMENT_20 0 FLAG_DOCUMENT_12 0 FLAG_PHONE 0 LIVE_CITY_NOT_WORK_CITY 0 REG_CITY_NOT_WORK_CITY 0 TARGET 0 REG_CITY_NOT_LIVE_CITY 0 LIVE_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_LIVE_REGION 0 HOUR_APPR_PROCESS_START 0 WEEKDAY_APPR_PROCESS_START 0 REGION_RATING_CLIENT_W_CITY 0 REGION_RATING_CLIENT 0 FLAG_EMAIL 0 FLAG_CONT_MOBILE 0 ORGANIZATION_TYPE 0 FLAG_WORK_PHONE 0 FLAG_EMP_PHONE 0 FLAG_MOBIL 0 NAME_HOUSING_TYPE 0 NAME_FAMILY_STATUS 0 NAME_EDUCATION_TYPE 0 NAME_INCOME_TYPE 0 dtype: int64 Valores no nulos en las variables categóricas: FONDKAPREMONT_MODE 77509 WALLSMATERIAL_MODE 120697 HOUSETYPE_MODE 122358 EMERGENCYSTATE_MODE 129138 OCCUPATION_TYPE 168705 NAME_TYPE_SUITE 244973 CNT_CHILDREN 246008 FLAG_DOCUMENT_8 246008 NAME_CONTRACT_TYPE 246008 CODE_GENDER 246008 FLAG_OWN_CAR 246008 FLAG_DOCUMENT_2 246008 FLAG_DOCUMENT_3 246008 FLAG_DOCUMENT_4 246008 FLAG_DOCUMENT_5 246008 FLAG_DOCUMENT_6 246008 FLAG_DOCUMENT_7 246008 FLAG_DOCUMENT_9 246008 FLAG_DOCUMENT_21 246008 FLAG_DOCUMENT_10 246008 FLAG_DOCUMENT_11 246008 FLAG_OWN_REALTY 246008 FLAG_DOCUMENT_13 246008 FLAG_DOCUMENT_14 246008 FLAG_DOCUMENT_15 246008 FLAG_DOCUMENT_16 246008 FLAG_DOCUMENT_17 246008 FLAG_DOCUMENT_18 246008 FLAG_DOCUMENT_19 246008 FLAG_DOCUMENT_20 246008 FLAG_DOCUMENT_12 246008 FLAG_PHONE 246008 LIVE_CITY_NOT_WORK_CITY 246008 REG_CITY_NOT_WORK_CITY 246008 TARGET 246008 REG_CITY_NOT_LIVE_CITY 246008 LIVE_REGION_NOT_WORK_REGION 246008 REG_REGION_NOT_WORK_REGION 246008 REG_REGION_NOT_LIVE_REGION 246008 HOUR_APPR_PROCESS_START 246008 WEEKDAY_APPR_PROCESS_START 246008 REGION_RATING_CLIENT_W_CITY 246008 REGION_RATING_CLIENT 246008 FLAG_EMAIL 246008 FLAG_CONT_MOBILE 246008 ORGANIZATION_TYPE 246008 FLAG_WORK_PHONE 246008 FLAG_EMP_PHONE 246008 FLAG_MOBIL 246008 NAME_HOUSING_TYPE 246008 NAME_FAMILY_STATUS 246008 NAME_EDUCATION_TYPE 246008 NAME_INCOME_TYPE 246008 dtype: int64
# Verificar la cantidad de valores nulos en las variables categóricas
print("Valores nulos en las variables categóricas:")
print(df_application_input_test[list_var_cat].isnull().sum())
# Verificar la cantidad de valores no nulos en las variables categóricas
print("Valores no nulos en las variables categóricas:")
print(df_application_input_test[list_var_cat].notnull().sum())
Valores nulos en las variables categóricas: FONDKAPREMONT_MODE 41796 WALLSMATERIAL_MODE 31030 HOUSETYPE_MODE 30647 EMERGENCYSTATE_MODE 28885 OCCUPATION_TYPE 19088 NAME_TYPE_SUITE 257 CNT_CHILDREN 0 FLAG_DOCUMENT_8 0 NAME_CONTRACT_TYPE 0 CODE_GENDER 0 FLAG_OWN_CAR 0 FLAG_DOCUMENT_2 0 FLAG_DOCUMENT_3 0 FLAG_DOCUMENT_4 0 FLAG_DOCUMENT_5 0 FLAG_DOCUMENT_6 0 FLAG_DOCUMENT_7 0 FLAG_DOCUMENT_9 0 FLAG_DOCUMENT_21 0 FLAG_DOCUMENT_10 0 FLAG_DOCUMENT_11 0 FLAG_OWN_REALTY 0 FLAG_DOCUMENT_13 0 FLAG_DOCUMENT_14 0 FLAG_DOCUMENT_15 0 FLAG_DOCUMENT_16 0 FLAG_DOCUMENT_17 0 FLAG_DOCUMENT_18 0 FLAG_DOCUMENT_19 0 FLAG_DOCUMENT_20 0 FLAG_DOCUMENT_12 0 FLAG_PHONE 0 LIVE_CITY_NOT_WORK_CITY 0 REG_CITY_NOT_WORK_CITY 0 TARGET 0 REG_CITY_NOT_LIVE_CITY 0 LIVE_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_LIVE_REGION 0 HOUR_APPR_PROCESS_START 0 WEEKDAY_APPR_PROCESS_START 0 REGION_RATING_CLIENT_W_CITY 0 REGION_RATING_CLIENT 0 FLAG_EMAIL 0 FLAG_CONT_MOBILE 0 ORGANIZATION_TYPE 0 FLAG_WORK_PHONE 0 FLAG_EMP_PHONE 0 FLAG_MOBIL 0 NAME_HOUSING_TYPE 0 NAME_FAMILY_STATUS 0 NAME_EDUCATION_TYPE 0 NAME_INCOME_TYPE 0 dtype: int64 Valores no nulos en las variables categóricas: FONDKAPREMONT_MODE 19707 WALLSMATERIAL_MODE 30473 HOUSETYPE_MODE 30856 EMERGENCYSTATE_MODE 32618 OCCUPATION_TYPE 42415 NAME_TYPE_SUITE 61246 CNT_CHILDREN 61503 FLAG_DOCUMENT_8 61503 NAME_CONTRACT_TYPE 61503 CODE_GENDER 61503 FLAG_OWN_CAR 61503 FLAG_DOCUMENT_2 61503 FLAG_DOCUMENT_3 61503 FLAG_DOCUMENT_4 61503 FLAG_DOCUMENT_5 61503 FLAG_DOCUMENT_6 61503 FLAG_DOCUMENT_7 61503 FLAG_DOCUMENT_9 61503 FLAG_DOCUMENT_21 61503 FLAG_DOCUMENT_10 61503 FLAG_DOCUMENT_11 61503 FLAG_OWN_REALTY 61503 FLAG_DOCUMENT_13 61503 FLAG_DOCUMENT_14 61503 FLAG_DOCUMENT_15 61503 FLAG_DOCUMENT_16 61503 FLAG_DOCUMENT_17 61503 FLAG_DOCUMENT_18 61503 FLAG_DOCUMENT_19 61503 FLAG_DOCUMENT_20 61503 FLAG_DOCUMENT_12 61503 FLAG_PHONE 61503 LIVE_CITY_NOT_WORK_CITY 61503 REG_CITY_NOT_WORK_CITY 61503 TARGET 61503 REG_CITY_NOT_LIVE_CITY 61503 LIVE_REGION_NOT_WORK_REGION 61503 REG_REGION_NOT_WORK_REGION 61503 REG_REGION_NOT_LIVE_REGION 61503 HOUR_APPR_PROCESS_START 61503 WEEKDAY_APPR_PROCESS_START 61503 REGION_RATING_CLIENT_W_CITY 61503 REGION_RATING_CLIENT 61503 FLAG_EMAIL 61503 FLAG_CONT_MOBILE 61503 ORGANIZATION_TYPE 61503 FLAG_WORK_PHONE 61503 FLAG_EMP_PHONE 61503 FLAG_MOBIL 61503 NAME_HOUSING_TYPE 61503 NAME_FAMILY_STATUS 61503 NAME_EDUCATION_TYPE 61503 NAME_INCOME_TYPE 61503 dtype: int64
Sustitución de valores nulos en variables categóricas¶
# Sustituir valores nulos por "SIN VALOR" en variables categóricas
df_application_input_train[list_var_cat] = df_application_input_train[list_var_cat].astype("object").fillna("SIN VALOR").astype("category")
df_application_input_test[list_var_cat] = df_application_input_test[list_var_cat].astype("object").fillna("SIN VALOR").astype("category")
# Verificar los resultados
print("Valores nulos en las variables categóricas del conjunto de entrenamiento:")
print(df_application_input_train[list_var_cat].isnull().sum())
print("Valores nulos en las variables categóricas del conjunto de prueba:")
print(df_application_input_test[list_var_cat].isnull().sum())
Valores nulos en las variables categóricas del conjunto de entrenamiento: FONDKAPREMONT_MODE 0 WALLSMATERIAL_MODE 0 HOUSETYPE_MODE 0 EMERGENCYSTATE_MODE 0 OCCUPATION_TYPE 0 NAME_TYPE_SUITE 0 CNT_CHILDREN 0 FLAG_DOCUMENT_8 0 NAME_CONTRACT_TYPE 0 CODE_GENDER 0 FLAG_OWN_CAR 0 FLAG_DOCUMENT_2 0 FLAG_DOCUMENT_3 0 FLAG_DOCUMENT_4 0 FLAG_DOCUMENT_5 0 FLAG_DOCUMENT_6 0 FLAG_DOCUMENT_7 0 FLAG_DOCUMENT_9 0 FLAG_DOCUMENT_21 0 FLAG_DOCUMENT_10 0 FLAG_DOCUMENT_11 0 FLAG_OWN_REALTY 0 FLAG_DOCUMENT_13 0 FLAG_DOCUMENT_14 0 FLAG_DOCUMENT_15 0 FLAG_DOCUMENT_16 0 FLAG_DOCUMENT_17 0 FLAG_DOCUMENT_18 0 FLAG_DOCUMENT_19 0 FLAG_DOCUMENT_20 0 FLAG_DOCUMENT_12 0 FLAG_PHONE 0 LIVE_CITY_NOT_WORK_CITY 0 REG_CITY_NOT_WORK_CITY 0 TARGET 0 REG_CITY_NOT_LIVE_CITY 0 LIVE_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_LIVE_REGION 0 HOUR_APPR_PROCESS_START 0 WEEKDAY_APPR_PROCESS_START 0 REGION_RATING_CLIENT_W_CITY 0 REGION_RATING_CLIENT 0 FLAG_EMAIL 0 FLAG_CONT_MOBILE 0 ORGANIZATION_TYPE 0 FLAG_WORK_PHONE 0 FLAG_EMP_PHONE 0 FLAG_MOBIL 0 NAME_HOUSING_TYPE 0 NAME_FAMILY_STATUS 0 NAME_EDUCATION_TYPE 0 NAME_INCOME_TYPE 0 dtype: int64 Valores nulos en las variables categóricas del conjunto de prueba: FONDKAPREMONT_MODE 0 WALLSMATERIAL_MODE 0 HOUSETYPE_MODE 0 EMERGENCYSTATE_MODE 0 OCCUPATION_TYPE 0 NAME_TYPE_SUITE 0 CNT_CHILDREN 0 FLAG_DOCUMENT_8 0 NAME_CONTRACT_TYPE 0 CODE_GENDER 0 FLAG_OWN_CAR 0 FLAG_DOCUMENT_2 0 FLAG_DOCUMENT_3 0 FLAG_DOCUMENT_4 0 FLAG_DOCUMENT_5 0 FLAG_DOCUMENT_6 0 FLAG_DOCUMENT_7 0 FLAG_DOCUMENT_9 0 FLAG_DOCUMENT_21 0 FLAG_DOCUMENT_10 0 FLAG_DOCUMENT_11 0 FLAG_OWN_REALTY 0 FLAG_DOCUMENT_13 0 FLAG_DOCUMENT_14 0 FLAG_DOCUMENT_15 0 FLAG_DOCUMENT_16 0 FLAG_DOCUMENT_17 0 FLAG_DOCUMENT_18 0 FLAG_DOCUMENT_19 0 FLAG_DOCUMENT_20 0 FLAG_DOCUMENT_12 0 FLAG_PHONE 0 LIVE_CITY_NOT_WORK_CITY 0 REG_CITY_NOT_WORK_CITY 0 TARGET 0 REG_CITY_NOT_LIVE_CITY 0 LIVE_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_WORK_REGION 0 REG_REGION_NOT_LIVE_REGION 0 HOUR_APPR_PROCESS_START 0 WEEKDAY_APPR_PROCESS_START 0 REGION_RATING_CLIENT_W_CITY 0 REGION_RATING_CLIENT 0 FLAG_EMAIL 0 FLAG_CONT_MOBILE 0 ORGANIZATION_TYPE 0 FLAG_WORK_PHONE 0 FLAG_EMP_PHONE 0 FLAG_MOBIL 0 NAME_HOUSING_TYPE 0 NAME_FAMILY_STATUS 0 NAME_EDUCATION_TYPE 0 NAME_INCOME_TYPE 0 dtype: int64
Cuando se reemplazaron los valores nulos con "SIN VALOR", las columnas que antes tenían valores nulos ahora tienen un valor no nulo (específicamente el texto "SIN VALOR"). Así, el conteo de valores nulos se volvió 0 para esas columnas.
# Para comprobar
# Ver las primeras filas del conjunto de entrenamiento
print("Primeras filas del conjunto de entrenamiento:")
print(df_application_input_train[list_var_cat].head())
# Ver las primeras filas del conjunto de prueba
print("Primeras filas del conjunto de prueba:")
print(df_application_input_test[list_var_cat].head())
Primeras filas del conjunto de entrenamiento:
FONDKAPREMONT_MODE WALLSMATERIAL_MODE HOUSETYPE_MODE \
141102 reg oper account Panel block of flats
19825 SIN VALOR SIN VALOR SIN VALOR
152561 reg oper spec account Stone, brick block of flats
202298 SIN VALOR Others block of flats
64580 reg oper account Panel block of flats
EMERGENCYSTATE_MODE OCCUPATION_TYPE NAME_TYPE_SUITE CNT_CHILDREN \
141102 No Laborers Unaccompanied 0
19825 SIN VALOR Laborers Spouse, partner 0
152561 No SIN VALOR Spouse, partner 1
202298 No Drivers Unaccompanied 0
64580 No SIN VALOR Unaccompanied 0
FLAG_DOCUMENT_8 NAME_CONTRACT_TYPE CODE_GENDER FLAG_OWN_CAR \
141102 0 Cash loans M Y
19825 0 Cash loans M Y
152561 0 Cash loans F N
202298 1 Cash loans M Y
64580 0 Cash loans F Y
FLAG_DOCUMENT_2 FLAG_DOCUMENT_3 FLAG_DOCUMENT_4 FLAG_DOCUMENT_5 \
141102 0 1 0 0
19825 0 1 0 0
152561 0 1 0 0
202298 0 0 0 0
64580 0 0 0 0
FLAG_DOCUMENT_6 FLAG_DOCUMENT_7 FLAG_DOCUMENT_9 FLAG_DOCUMENT_21 \
141102 0 0 0 0
19825 0 0 0 0
152561 0 0 0 0
202298 0 0 0 0
64580 1 0 0 0
FLAG_DOCUMENT_10 FLAG_DOCUMENT_11 FLAG_OWN_REALTY FLAG_DOCUMENT_13 \
141102 0 0 Y 0
19825 0 0 N 0
152561 0 0 Y 0
202298 0 0 Y 0
64580 0 0 N 0
FLAG_DOCUMENT_14 FLAG_DOCUMENT_15 FLAG_DOCUMENT_16 FLAG_DOCUMENT_17 \
141102 0 0 0 0
19825 0 0 0 0
152561 0 0 0 0
202298 0 0 0 0
64580 0 0 0 0
FLAG_DOCUMENT_18 FLAG_DOCUMENT_19 FLAG_DOCUMENT_20 FLAG_DOCUMENT_12 \
141102 0 0 0 0
19825 0 0 0 0
152561 0 0 0 0
202298 0 0 0 0
64580 0 0 0 0
FLAG_PHONE LIVE_CITY_NOT_WORK_CITY REG_CITY_NOT_WORK_CITY TARGET \
141102 0 0 0 0
19825 0 0 0 0
152561 0 0 0 0
202298 0 0 0 0
64580 0 0 0 0
REG_CITY_NOT_LIVE_CITY LIVE_REGION_NOT_WORK_REGION \
141102 0 0
19825 0 0
152561 0 0
202298 0 0
64580 0 0
REG_REGION_NOT_WORK_REGION REG_REGION_NOT_LIVE_REGION \
141102 0 0
19825 0 0
152561 0 0
202298 0 0
64580 0 0
HOUR_APPR_PROCESS_START WEEKDAY_APPR_PROCESS_START \
141102 9 MONDAY
19825 11 MONDAY
152561 13 TUESDAY
202298 17 MONDAY
64580 10 THURSDAY
REGION_RATING_CLIENT_W_CITY REGION_RATING_CLIENT FLAG_EMAIL \
141102 2 2 0
19825 2 2 0
152561 2 2 0
202298 2 2 0
64580 2 2 0
FLAG_CONT_MOBILE ORGANIZATION_TYPE FLAG_WORK_PHONE \
141102 1 Business Entity Type 3 0
19825 1 Business Entity Type 1 0
152561 1 Construction 0
202298 1 Self-employed 0
64580 1 XNA 0
FLAG_EMP_PHONE FLAG_MOBIL NAME_HOUSING_TYPE NAME_FAMILY_STATUS \
141102 1 1 House / apartment Married
19825 1 1 House / apartment Married
152561 1 1 House / apartment Married
202298 1 1 House / apartment Married
64580 0 1 House / apartment Single / not married
NAME_EDUCATION_TYPE NAME_INCOME_TYPE
141102 Higher education Commercial associate
19825 Secondary / secondary special Working
152561 Secondary / secondary special Working
202298 Secondary / secondary special Commercial associate
64580 Secondary / secondary special Pensioner
Primeras filas del conjunto de prueba:
FONDKAPREMONT_MODE WALLSMATERIAL_MODE HOUSETYPE_MODE \
241559 not specified Mixed block of flats
258191 reg oper account Stone, brick block of flats
157394 SIN VALOR Stone, brick block of flats
97879 SIN VALOR SIN VALOR SIN VALOR
142989 SIN VALOR SIN VALOR SIN VALOR
EMERGENCYSTATE_MODE OCCUPATION_TYPE NAME_TYPE_SUITE CNT_CHILDREN \
241559 No Sales staff Unaccompanied 0
258191 No Laborers Unaccompanied 0
157394 No Core staff Unaccompanied 0
97879 SIN VALOR Drivers Unaccompanied 2
142989 SIN VALOR Accountants Unaccompanied 0
FLAG_DOCUMENT_8 NAME_CONTRACT_TYPE CODE_GENDER FLAG_OWN_CAR \
241559 0 Cash loans F Y
258191 0 Cash loans F N
157394 0 Cash loans F Y
97879 0 Cash loans M Y
142989 0 Cash loans F N
FLAG_DOCUMENT_2 FLAG_DOCUMENT_3 FLAG_DOCUMENT_4 FLAG_DOCUMENT_5 \
241559 0 1 0 0
258191 0 1 0 0
157394 0 1 0 0
97879 0 0 0 0
142989 0 1 0 0
FLAG_DOCUMENT_6 FLAG_DOCUMENT_7 FLAG_DOCUMENT_9 FLAG_DOCUMENT_21 \
241559 0 0 0 0
258191 0 0 0 0
157394 0 0 0 0
97879 0 0 0 0
142989 0 0 0 0
FLAG_DOCUMENT_10 FLAG_DOCUMENT_11 FLAG_OWN_REALTY FLAG_DOCUMENT_13 \
241559 0 0 N 0
258191 0 0 Y 0
157394 0 0 Y 0
97879 0 1 Y 0
142989 0 0 Y 0
FLAG_DOCUMENT_14 FLAG_DOCUMENT_15 FLAG_DOCUMENT_16 FLAG_DOCUMENT_17 \
241559 0 0 0 0
258191 0 0 0 0
157394 0 0 0 0
97879 0 0 0 0
142989 0 0 0 0
FLAG_DOCUMENT_18 FLAG_DOCUMENT_19 FLAG_DOCUMENT_20 FLAG_DOCUMENT_12 \
241559 0 0 0 0
258191 0 0 0 0
157394 0 0 0 0
97879 0 0 0 0
142989 0 0 0 0
FLAG_PHONE LIVE_CITY_NOT_WORK_CITY REG_CITY_NOT_WORK_CITY TARGET \
241559 1 0 0 0
258191 0 0 0 0
157394 0 0 0 0
97879 0 0 0 0
142989 1 0 1 0
REG_CITY_NOT_LIVE_CITY LIVE_REGION_NOT_WORK_REGION \
241559 0 0
258191 0 0
157394 0 0
97879 0 0
142989 1 0
REG_REGION_NOT_WORK_REGION REG_REGION_NOT_LIVE_REGION \
241559 0 0
258191 0 0
157394 0 0
97879 0 0
142989 0 0
HOUR_APPR_PROCESS_START WEEKDAY_APPR_PROCESS_START \
241559 20 WEDNESDAY
258191 7 TUESDAY
157394 17 MONDAY
97879 11 TUESDAY
142989 13 TUESDAY
REGION_RATING_CLIENT_W_CITY REGION_RATING_CLIENT FLAG_EMAIL \
241559 2 2 0
258191 3 3 0
157394 2 2 0
97879 2 2 0
142989 2 2 0
FLAG_CONT_MOBILE ORGANIZATION_TYPE FLAG_WORK_PHONE FLAG_EMP_PHONE \
241559 1 Trade: type 7 1 1
258191 1 Other 0 1
157394 1 Medicine 0 1
97879 1 Other 1 1
142989 1 Transport: type 4 0 1
FLAG_MOBIL NAME_HOUSING_TYPE NAME_FAMILY_STATUS \
241559 1 House / apartment Married
258191 1 House / apartment Married
157394 1 House / apartment Separated
97879 1 House / apartment Married
142989 1 House / apartment Single / not married
NAME_EDUCATION_TYPE NAME_INCOME_TYPE
241559 Secondary / secondary special Working
258191 Secondary / secondary special Working
157394 Higher education Commercial associate
97879 Secondary / secondary special Working
142989 Higher education Working
Guardado de las tablas¶
# Guardar los DataFrames preprocesados en archivos CSV
df_application_input_train.to_csv("../data/preprocessed_data/train_preprocessed_missing_outlier.csv", index=False)
df_application_input_test.to_csv("../data/preprocessed_data/test_preprocessed_missing_outlier.csv", index=False)
# Verificar los resultados de la operación
print("Archivos CSV creados y guardados con éxito.")
Archivos CSV creados y guardados con éxito.
print(df_application_input_train.shape, df_application_input_test.shape)
(246008, 122) (61503, 122)
Por último, en esta sección se guardaron los DataFrames preprocesados en archivos CSV, indicando que el tratamiento de datos, análisis de correlaciones, manejo de valores missing y outliers se realizó con éxito. Este paso es crucial, ya que asegura que los datos están listos para futuras fases de modelado, manteniendo la calidad y la integridad de la información.